Un PDF escaneado de 200 páginas contiene una combinación de tipos de páginas. Las primeras 150 páginas son texto impreso limpio que necesita OCR. Las siguientes 30 páginas son fotografías y diagramas que no tienen texto para reconocer. Las últimas 20 páginas son formularios con entradas escritas a mano que también necesitan OCR. La ejecución de OCR en todo el documento desperdicia tiempo de procesamiento en páginas que no contienen texto y puede producir resultados confusos en las páginas de fotografías cuando el motor de OCR intenta encontrar caracteres en el contenido de la imagen. Ejecutar OCR de forma selectiva solo en las páginas que lo necesitan es más eficiente y produce resultados más limpios.
El OCR selectivo, a veces llamado OCR por página o por rango de páginas, procesa solo las páginas especificadas. Las páginas que excluyes permanecen sin cambios. Las páginas que incluya reciben una capa de texto con capacidad de búsqueda. El documento mixto conserva su contenido original en todas las páginas y se agrega capacidad de búsqueda de texto solo cuando es necesario.
El enfoque selectivo OCR PDF es particularmente valioso para documentos grandes donde el OCR de documento completo llevaría mucho tiempo y la proporción de páginas de texto es baja. Procesar 20 páginas de 200 es diez veces más rápido que procesar las 200.
Identificar qué páginas necesitan OCR
Desplácese por el documento e identifique qué páginas contienen texto que debería poder buscarse. Las páginas de texto tienen palabras y caracteres visibles. Las páginas de fotos tienen imágenes sin texto. Las páginas de diagrama tienen líneas, formas y etiquetas que pueden o no beneficiarse del OCR dependiendo de si es necesario poder realizar búsquedas en las etiquetas. Cree una lista de rangos de páginas que necesitan OCR. Para un documento con texto en las páginas 1 a 150 y 181 a 200, los rangos son 1-150 y 181-200. Las páginas 151 a 180 son la sección de fotografías y diagramas que no necesita OCR.
Si el documento tiene marcadores o una tabla de contenido, utilícelos para identificar secciones de texto rápidamente. Cada sección marcada que contiene texto es candidata para OCR. El PDF escaneado con contenido mixto se beneficia de este enfoque específico.
Pruebe el OCR de PDF
No se necesita instalación. Funciona directamente en su navegador.
Ejecutando OCR selectivo
Cargue el PDF en una herramienta de OCR basada en navegador que admita la selección de rango de páginas. Ingrese los rangos de páginas que identificó. La herramienta procesa solo esas páginas. Las páginas de texto reciben una capa de texto con capacidad de búsqueda. Las páginas de fotografías y diagramas permanecen como estaban. Descargue el archivo procesado. Todo el documento está intacto. Sólo se modificaron las páginas especificadas.
WukongPDF Las herramientas de OCR admiten la selección de páginas. El procesamiento selectivo OCR PDF ahorra tiempo en documentos grandes con contenido mixto y produce resultados más limpios al evitar el OCR en páginas que no contienen texto.
Verificación de resultados de OCR selectivos
Después del procesamiento, verifique la salida de OCR en las páginas seleccionadas. Busque palabras que aparecen en esas páginas. Confirma que la búsqueda los encuentra. Luego consulte una página del rango excluido. Confirma que aparece sin cambios. El OCR selectivo debería haber modificado sólo las páginas especificadas. Una verificación rápida en una página de cada rango confirma que la selección se aplicó correctamente.
El enfoque de procesamiento selectivo de PDF Tools es el control de calidad mediante una aplicación específica. Procese sólo lo que necesita procesamiento. Deja el resto sin cambios.
Combinación de OCR selectivo con otro procesamiento específico de página
El procesamiento selectivo no se limita al OCR. También se pueden aplicar compresión, ajuste de resolución y conversión de color a páginas específicas. Un documento con fotografías en color de alta resolución y páginas de texto en blanco y negro se beneficia de diferentes configuraciones de compresión para cada tipo de página. Las fotografías necesitan una compresión moderada para preservar los detalles. Las páginas de texto se pueden comprimir agresivamente.
Aplique configuraciones de compresión por tipo de página después del OCR. El PDF escaneado con contenido mixto se beneficia del procesamiento específico de la página en todas las operaciones, no solo en el OCR. Trate cada tipo de página según su contenido.
Documentar qué páginas se realizaron con OCR para referencia futura
Cuando realice OCR solo en páginas específicas, documente qué páginas se procesaron. Una nota en los metadatos del documento o un archivo de texto complementario que enumera los rangos de páginas OCR. Si luego alguien busca en el documento y encuentra contenido en algunas páginas pero no en otras, la documentación explica por qué. La búsqueda no fracasó. Esas páginas no fueron OCR.
La documentación de procesamiento selectivo OCR PDF evita confusión sobre por qué algunas páginas se pueden buscar y otras no. La documentación tarda unos segundos y proporciona claridad para todos los futuros usuarios del documento.
Dividir el documento por tipo de página antes del OCR
Para documentos grandes con secciones de texto y sin texto claramente separadas, divida el documento por tipo de página antes del OCR. Coloque todas las páginas de texto en un archivo y todas las páginas que no sean de texto en otro. OCR el archivo de texto en su totalidad. Luego, combine las páginas de texto con OCR con las páginas sin texto sin cambios. El flujo de trabajo de división, proceso y fusión consta de más pasos, pero evita el riesgo de identificar erróneamente páginas durante el OCR selectivo.
El flujo de trabajo dividido OCR PDF es apropiado cuando las secciones de texto y no textuales están claramente separadas y el documento es lo suficientemente grande como para justificar los pasos adicionales. Para documentos pequeños, el OCR selectivo con rangos de páginas es más eficaz.
Volver a realizar OCR en páginas que no pasaron la primera pasada
Después del OCR selectivo, busque una palabra que sepa que aparece en una de las páginas procesadas. Si la búsqueda falla, es posible que el OCR no haya reconocido el texto correctamente. Vuelva a realizar el OCR en esa página específica, posiblemente con diferentes configuraciones, como una resolución más alta o un modelo de idioma diferente. El enfoque selectivo permite un reprocesamiento específico sin rehacer todo el documento.
El reprocesamiento específico de páginas fallidas PDF escaneado es una de las ventajas del OCR selectivo. Una falla del OCR de un documento completo requiere reprocesarlo todo. Un fallo selectivo requiere reprocesar sólo las páginas que lo necesitan.
Pruebe el OCR de PDF
No se necesita instalación. Funciona directamente en su navegador.