Tee skannatusta PDF-tiedostosta haettavaksi lataamatta skannausta

Skannaa sivu ja tietokoneesi tallentaa siitä valokuvan. Sanat näyttävät oikealta näytöllä, mutta ohjelmistoille ne ovat vain pikseleitä – Ctrl+F ei löydä mitään, kopioi ja liitä mitään, eikä mikään hakemisto missään tiedä, mitä asiakirja sanoo. OCR (optinen merkintunnistus) korjaa juuri tämän: se tarkastelee muotoja, tunnistaa kirjaimet ja sanat ja kirjoittaa oikean tekstikerroksen kuvan alle.

Miksi tällä on käytännössä merkitystä

• Löytää mitä tahansa. 200-sivuisen skannatun sopimuksen Ctrl+F alkaa toimia.
• Sanojen uudelleenkäyttö. Lainaukset, osoitteet, lausenumerot - valittavissa ja kopioitavissa uudelleen kirjoittamisen sijaan.
• Helppokäyttöisyys ja indeksointi. Näytönlukijat ja hakukoneet voivat yhtäkkiä "lukea" asiakirjan.

Saalista, jota kukaan ei mainitse

Useimmat online-OCR-työkalut lukevat asiakirjasi lataamalla sen palvelimilleen – mikä on outoa, kun skannataan passi, sairauskertomus tai asiakassopimus. Meidän OCR-työkalu ottaa toisen tien: tunnistus juoksee selaimesi sisällä (alan standardi Tesseract-moottori, joka on käännetty WebAssemblyyn), ja haettava PDF kootaan myös paikallisesti. Skannaus ei koskaan poistu laitteestasi.

Saavuta paras tarkkuus

1. Suorista ensin. Kaksi astetta kallistettu sivu maksaa tarkkuuden joka rivillä. Juokse Deskew ennen OCR:ää, jos skannaus näyttää vinolta.
2. Skannaa 300 DPI:llä. tarpeeksi yksityiskohtia moottorille; lisää vain hidastaa sitä.
3. Yhdistä kieli. Valitse oikea kieli OCR-työkalusta – tunnistussanakirjat eroavat toisistaan, ja ranskankielisen sivun "englannin kieli" tuottaa itsevarmaa hölynpölyä.
4. Huomioi fontit. Kirjoituskoneiden kasvot ja käsiala ovat todella kovia; odottaa siellä korjauksia.

OCR:n jälkeen

Tulos on PDF, joka näyttää samalta, mutta sisältää näkymätöntä, valittavissa olevaa tekstiä. Sieltä se on tavallinen asiakirja: etsi, kopioi, syötä se kohteeseen PDF tekstiksi työkalu raakasanoja varten tai muunna se muokattavaan muotoon PDF Wordiksi.

Tarkkuuden tarkistuslista

1. Suorista sivu ennen tunnistamista; vääristyneet skannaukset lukevat paremmin.
2. Käytä noin 300 DPI - enemmän pikseleitä auttaa vain siihen pisteeseen, jossa kohina alkaa satuttaa.
3. Valitse sivun kieli, mukaan lukien oikea kirjoitus.
4. Hae jälkeenpäin kolmea tunnettua tietoa: kokonaissumma, päivämäärä ja nimi.
5. Tarkista tuloste, ei vain hakutulosta.

Kielet ja käsiala

Tunnistus toimii parhaiten puhtaalla painetulla tekstillä sen tukemalla kielellä. Sekakieliset sivut voivat sekoittaa kielimallin; suorita erilliset kierrokset, jos osat ovat erillisiä. Käsinkirjoitus on kova tapaus – käsinkirjoitetun muistiinpanon ympärille painetut tarrat voidaan tunnistaa, vaikka itse muistiinpano jää huomaamatta. Älä käsittele OCR-tulosta käsin kirjoitetun tietueen sertifioituna transkriptiona.

Mitä tehdä tekstin kanssa jälkeenpäin

Kun skannauksessa on tekstikerros, se voidaan etsiä, kopioida ja indeksoida, ja se voidaan muuntaa Wordiksi tai purkaa tekstiksi. Säilytä alkuperäinen skannaus haettavan version rinnalla, jos kuva on laillinen tietue. Yksityisyys on päätöksen toinen puoli: selainpohjainen tunnistus pitää skannauksen laitteellasi, kun taas latauspohjainen palvelu lähettää sen palvelimelle. Valitse malli, joka vastaa asiakirjan herkkyyttä, ei vain hintaa.

Kokeile: tehdä skannauksesta haettavissa — paikallisesti, ilmaiseksi: skannaus ei koskaan poistu laitteestasi ja luotu PDF rakennetaan samalla tavalla.