Los periódicos y revistas organizan el texto en varias columnas que serpentean a lo largo de la página. Una historia comienza en la parte superior izquierda, continúa hacia abajo en la primera columna, salta a la parte superior de la segunda columna, continúa hacia abajo y puede saltar nuevamente a la página siete. Los motores de OCR entrenados en documentos de una sola columna tienen problemas con este diseño. El motor lee toda la página, tomando el texto de la columna uno y la columna dos como si fueran una sola línea. El resultado es un caos donde se entrelazan oraciones de diferentes columnas.
El OCR para diseños de varias columnas requiere que el motor detecte los límites de las columnas antes de reconocer el texto. La página está dividida en zonas. Cada zona se procesa de forma independiente. El texto de cada zona está ensamblado en el orden de lectura correcto. El resultado se lee correctamente porque cada columna se trató como una región de texto independiente.
El desafío de OCR PDF con diseños de varias columnas no es el reconocimiento de caracteres. Es detección de zona. Reconocer a los personajes es la parte fácil. Saber qué personajes van juntos es la parte difícil.
Métodos de detección de zonas
| Método | Cómo funciona | Mejor para |
|---|---|---|
| Detección automática de zonas | El motor OCR analiza patrones de espacios en blanco para identificar márgenes de columnas y bloques de texto. | Diseños limpios con anchos de columna consistentes y medianiles claros |
| Dibujo de zona manual | El usuario dibuja rectángulos alrededor de cada columna antes del procesamiento de OCR | Diseños complejos con columnas, imágenes o anuncios irregulares. |
| Especificación del orden de lectura | El usuario especifica la secuencia en la que se deben leer las zonas después de la detección. | Documentos en los que el flujo natural de la columna no es de arriba a abajo, de izquierda a derecha |
Pruebe el OCR de PDF
No se necesita instalación. Funciona directamente en su navegador.
Ejecución de OCR de varias columnas
Cargue el PDF en una herramienta de OCR que admita el procesamiento basado en zonas. Si la herramienta ofrece detección automática de zonas, ejecútela y revise las zonas detectadas. Ajuste manualmente las zonas mal identificadas. Especifique el orden de lectura. Ejecute OCR. La salida conserva la estructura de la columna.
WukongPDF Las herramientas de OCR procesan documentos escaneados. El procesamiento de varias columnas PDF escaneado produce texto en el orden de lectura correcto.
Verificar el orden de lectura
Después del OCR, lea un párrafo de muestra que abarque los límites de las columnas en el original. La salida de OCR debe fluir correctamente desde la parte inferior de una columna hasta la parte superior de la siguiente. Si las oraciones se dividen en los límites de las columnas o el texto de diferentes columnas se mezcla, la detección de zonas o el orden de lectura fueron incorrectos.
La verificación del orden de lectura del formato PDF confirma que la salida del OCR coincide con la secuencia de lectura prevista del diseño original.
Manejo de páginas mixtas de una o varias columnas
Un artículo de revista puede comenzar con un título de una sola columna, cambiar a un cuerpo de texto de tres columnas y terminar con un resumen de una sola columna. La detección de zonas OCR debe manejar estas transiciones correctamente. Cada sección de la página recibe la configuración de zona adecuada.
El manejo de diseño mixto de PDF OCR requiere detección de zona por sección, no por página.
Revise la detección de zonas en cada tipo de página antes de ejecutar OCR en todo el documento.
Preservar el orden de lectura para lectores de pantalla
El orden de lectura de salida de OCR determina cómo los lectores de pantalla navegan por el documento. Un orden de lectura correcto significa que un lector de pantalla lee la columna uno de arriba hacia abajo y luego la columna dos de arriba hacia abajo. Un orden de lectura incorrecto significa que se lee entre columnas, lo que produce resultados incomprensibles.
La especificación del orden de lectura de accesibilidad PDF escaneado garantiza que la salida OCR sea utilizable mediante tecnología de asistencia.
Después del OCR, pruebe el documento con un lector de pantalla. La prueba revela errores en el orden de lectura que la inspección visual pasa por alto.
OCR para documentos con imágenes incrustadas en columnas
Las imágenes dentro de las columnas rompen el flujo del texto. El motor de OCR debe reconocer el límite de la imagen y tratar el texto de arriba y de abajo como parte de la misma columna, no como bloques de texto separados.
La separación de imagen y texto en formato PDF durante el OCR de varias columnas requiere que el motor reconozca que las imágenes no son texto y no deben interrumpir el flujo de columnas.
Revise manualmente las páginas con imágenes incrustadas. La detección de zonas automatizada puede fallar en los límites de la imagen.
Crear una plantilla de zona para formatos de publicación recurrentes
Si realiza OCR con regularidad en el mismo formato de publicación, cree una plantilla de zona. La plantilla define las posiciones de las columnas, las áreas de las imágenes y el orden de lectura para ese diseño específico. Aplique la plantilla a cada nuevo número.
La plantilla de zona PDF de OCR para publicaciones recurrentes elimina la necesidad de reconfigurar la detección de zona para cada documento.
Actualiza la plantilla cuando la publicación cambie su diseño. Una plantilla que era correcta para el formato del año pasado puede ser incorrecta para este año.
Manejo de variaciones en el ancho de columna
Algunos diseños varían el ancho de las columnas de una página a otra. Una página de tres columnas seguida de una página de dos columnas. La detección de zonas debe adaptarse a cada página individualmente.
La detección de zonas por página de PDF OCR maneja diseños donde cambia la configuración de las columnas.
Uso de resultados de OCR para reconstruir los límites del artículo original
Después del OCR, utilice el texto reconocido para identificar los límites del artículo. Los titulares, firmas y marcadores de continuación indican dónde comienzan y terminan los artículos.
La detección de límites de artículos PDF escaneado desde la salida OCR permite dividir el documento en artículos individuales.
Pruebe el OCR de PDF
No se necesita instalación. Funciona directamente en su navegador.