Zeitungen und Zeitschriften ordnen den Text in mehreren Spalten an, die sich über die Seite schlängeln. Eine Geschichte beginnt oben links, geht in der ersten Spalte weiter, springt zum Anfang der zweiten Spalte, geht weiter nach unten und springt möglicherweise wieder auf Seite sieben. OCR-Engines, die auf einspaltige Dokumente trainiert wurden, haben mit diesem Layout Probleme. Die Engine liest die gesamte Seite und erfasst den Text aus Spalte eins und Spalte zwei, als wären sie eine einzelne Zeile. Die Ausgabe ist ein wirres Durcheinander, in dem Sätze aus verschiedenen Spalten verschachtelt sind.
OCR für mehrspaltige Layouts erfordert, dass die Engine die Spaltengrenzen erkennt, bevor sie Text erkennt. Die Seite ist in Zonen unterteilt. Jede Zone wird unabhängig verarbeitet. Der Text aus jeder Zone wird in der richtigen Lesereihenfolge zusammengestellt. Das Ergebnis wird korrekt angezeigt, da jede Spalte als separater Textbereich behandelt wurde.
Die OCR-PDF-Herausforderung bei mehrspaltigen Layouts ist nicht die Zeichenerkennung. Es handelt sich um eine Zonenerkennung. Das Erkennen der Charaktere ist der einfache Teil. Zu wissen, welche Charaktere zusammengehören, ist der schwierige Teil.
Zonenerkennungsmethoden
| Methode | Wie es funktioniert | Am besten für |
|---|---|---|
| Automatische Zonenerkennung | Die OCR-Engine analysiert Leerraummuster, um Spaltenstege und Textblöcke zu identifizieren | Saubere Layouts mit einheitlichen Spaltenbreiten und klaren Zwischenräumen |
| Manuelle Zonenzeichnung | Der Benutzer zeichnet vor der OCR-Verarbeitung Rechtecke um jede Spalte | Komplexe Layouts mit unregelmäßigen Spalten, Bildern oder Anzeigen |
| Spezifikation der Lesereihenfolge | Der Benutzer gibt die Reihenfolge an, in der Zonen nach der Erkennung gelesen werden sollen | Dokumente, bei denen der natürliche Spaltenfluss nicht von links nach rechts von oben nach unten erfolgt |
Probieren Sie PDF-OCR aus
Keine Installation erforderlich. Funktioniert direkt in Ihrem Browser.
Ausführen einer mehrspaltigen OCR
Laden Sie die PDF-Datei in ein OCR-Tool hoch, das die zonenbasierte Verarbeitung unterstützt. Wenn das Tool eine automatische Zonenerkennung bietet, führen Sie es aus und überprüfen Sie die erkannten Zonen. Passen Sie alle falsch identifizierten Zonen manuell an. Geben Sie die Lesereihenfolge an. Führen Sie OCR aus. Die Ausgabe behält die Spaltenstruktur bei.
WukongPDF OCR-Tools verarbeiten gescannte Dokumente. Die mehrspaltige Verarbeitung Gescanntes PDF erzeugt Text in der richtigen Lesereihenfolge.
Lesereihenfolge überprüfen
Lesen Sie nach der OCR einen Beispielabsatz, der sich über die Spaltengrenzen im Original erstreckt. Die OCR-Ausgabe sollte korrekt vom unteren Rand einer Spalte zum oberen Rand der nächsten fließen. Wenn Sätze an Spaltengrenzen unterbrochen sind oder Text aus verschiedenen Spalten gemischt ist, war die Zonenerkennung oder Lesereihenfolge falsch.
Die Überprüfung der Lesereihenfolge im PDF-Format bestätigt, dass die OCR-Ausgabe mit der beabsichtigten Lesereihenfolge des Originallayouts übereinstimmt.
Umgang mit gemischten ein- und mehrspaltigen Seiten
Ein Zeitschriftenartikel kann mit einer einspaltigen Überschrift beginnen, in einen dreispaltigen Fließtext übergehen und mit einer einspaltigen Zusammenfassung enden. Die OCR-Zonenerkennung muss diese Übergänge korrekt verarbeiten. Jeder Seitenabschnitt erhält die entsprechende Zonenkonfiguration.
Die Verarbeitung gemischter OCR-PDF-Layouts erfordert eine Zonenerkennung pro Abschnitt und nicht pro Seite.
Überprüfen Sie die Zonenerkennung für jeden Seitentyp, bevor Sie OCR für das gesamte Dokument ausführen.
Beibehalten der Lesereihenfolge für Screenreader
Die Lesereihenfolge der OCR-Ausgabe bestimmt, wie Screenreader durch das Dokument navigieren. Eine korrekte Lesereihenfolge bedeutet, dass ein Screenreader Spalte eins von oben nach unten und dann Spalte zwei von oben nach unten liest. Eine falsche Lesereihenfolge bedeutet, dass spaltenübergreifend gelesen wird, was zu einer unverständlichen Ausgabe führt.
Die Gescannte PDF Lesereihenfolgespezifikation für Barrierefreiheit stellt sicher, dass die OCR-Ausgabe von unterstützender Technologie verwendet werden kann.
Testen Sie das Dokument nach der OCR mit einem Screenreader. Der Test deckt Lesereihenfolgefehler auf, die bei der visuellen Prüfung übersehen werden.
OCR für Dokumente mit in Spalten eingebetteten Bildern
Bilder innerhalb von Spalten unterbrechen den Textfluss. Die OCR-Engine muss die Bildgrenze erkennen und den Text darüber und darunter als Teil derselben Spalte und nicht als separate Textblöcke behandeln.
Die Bild-Text-Trennung im PDF-Format während der mehrspaltigen OCR erfordert, dass die Engine erkennt, dass Bilder kein Text sind und den Spaltenfluss nicht unterbrechen sollten.
Überprüfen Sie Seiten mit eingebetteten Bildern manuell. Die automatische Zonenerkennung kann an Bildgrenzen fehlschlagen.
Erstellen einer Zonenvorlage für wiederkehrende Publikationsformate
Wenn Sie regelmäßig dasselbe Publikationsformat mit OCR bearbeiten, erstellen Sie eine Zonenvorlage. Die Vorlage definiert die Spaltenpositionen, Bildbereiche und Lesereihenfolge für das jeweilige Layout. Wenden Sie die Vorlage auf jede neue Ausgabe an.
Durch die OCR-PDF-Zonenvorlage für wiederkehrende Veröffentlichungen entfällt die Notwendigkeit, die Zonenerkennung für jedes Dokument neu zu konfigurieren.
Aktualisieren Sie die Vorlage, wenn die Publikation ihr Layout ändert. Eine Vorlage, die für das Format des letzten Jahres korrekt war, kann für dieses Jahr falsch sein.
Umgang mit Variationen in der Spaltenbreite
Bei einigen Layouts variieren die Spaltenbreiten von Seite zu Seite. Eine dreispaltige Seite, gefolgt von einer zweispaltigen Seite. Die Zonenerkennung muss sich an jede Seite individuell anpassen.
Die OCR-PDF-Zonenerkennung pro Seite verarbeitet Layouts, bei denen sich die Spaltenkonfiguration ändert.
Verwenden der OCR-Ausgabe zur Rekonstruktion der ursprünglichen Artikelgrenzen
Verwenden Sie nach der OCR den erkannten Text, um Artikelgrenzen zu identifizieren. Überschriften, Verfasserzeilen und Fortsetzungsmarkierungen geben an, wo Artikel beginnen und enden.
Die Gescannte PDF Artikelgrenzenerkennung aus der OCR-Ausgabe ermöglicht die Aufteilung des Dokuments in einzelne Artikel.
Probieren Sie PDF-OCR aus
Keine Installation erforderlich. Funktioniert direkt in Ihrem Browser.