Un PDF numérisé de 200 pages contient un mélange de types de pages. Les 150 premières pages sont du texte imprimé propre qui nécessite une OCR. Les 30 pages suivantes sont constituées de photographies et de diagrammes sans texte à reconnaître. Les 20 dernières pages sont des formulaires avec des entrées manuscrites qui nécessitent également une OCR. L'exécution de l'OCR sur l'ensemble du document fait perdre du temps de traitement sur les pages qui ne contiennent aucun texte et peut produire un résultat tronqué sur les pages de photos lorsque le moteur OCR tente de trouver des caractères dans le contenu de l'image. L’exécution sélective de l’OCR uniquement sur les pages qui en ont besoin est plus efficace et produit une sortie plus propre.
L'OCR sélective, parfois appelée OCR par page ou par plage de pages, traite uniquement les pages spécifiées. Les pages que vous excluez restent inchangées. Les pages que vous incluez reçoivent une couche de texte consultable. Le document mixte conserve son contenu original sur toutes les pages, avec une possibilité de recherche de texte ajoutée uniquement là où cela est nécessaire.
L'approche sélective OCR PDF est particulièrement utile pour les documents volumineux pour lesquels l'OCR du document complet prendrait beaucoup de temps et où la proportion de pages de texte est faible. Le traitement de 20 pages sur 200 est dix fois plus rapide que le traitement des 200.
Identifier les pages nécessitant une OCR
Faites défiler le document et identifiez les pages contenant du texte qui doit être consultable. Les pages de texte comportent des mots et des caractères visibles. Les pages de photos contiennent des images sans texte. Les pages de diagramme comportent des lignes, des formes et des étiquettes qui peuvent ou non bénéficier de l'OCR selon que les étiquettes doivent être consultables. Créez une liste de plages de pages nécessitant une OCR. Pour un document contenant du texte sur les pages 1 à 150 et 181 à 200, les plages sont 1 à 150 et 181 à 200. Les pages 151 à 180 sont la section des photos et des diagrammes qui ne nécessitent pas d'OCR.
Si le document comporte des signets ou une table des matières, utilisez-les pour identifier rapidement les sections de texte. Chaque section marquée d'un signet contenant du texte est candidate à l'OCR. Le PDF numérisé à contenu mixte bénéficie de cette approche ciblée.
Essayez l'OCR PDF
Aucune installation nécessaire. Fonctionne directement dans votre navigateur.
Exécution d'une OCR sélective
Téléchargez le PDF vers un outil OCR basé sur un navigateur qui prend en charge la sélection de plages de pages. Saisissez les plages de pages que vous avez identifiées. L'outil traite uniquement ces pages. Les pages de texte reçoivent une couche de texte consultable. Les pages de photos et de schémas restent telles quelles. Téléchargez le fichier traité. L'ensemble du document est intact. Seules les pages spécifiées ont été modifiées.
Les outils WukongPDF OCR prennent en charge la sélection de pages. Le traitement sélectif OCR PDF permet de gagner du temps sur les documents volumineux à contenu mixte et produit une sortie plus propre en évitant l'OCR sur les pages qui ne contiennent aucun texte.
Vérification des résultats OCR sélectifs
Après le traitement, vérifiez la sortie OCR sur les pages sélectionnées. Recherchez les mots qui apparaissent sur ces pages. Confirmez que la recherche les trouve. Vérifiez ensuite une page de la plage exclue. Confirmez qu'il apparaît inchangé. L'OCR sélectif aurait dû modifier uniquement les pages spécifiées. Une vérification rapide sur une page de chaque plage confirme que la sélection a été correctement appliquée.
L'approche de traitement sélectif PDF Tools est un contrôle qualité par une application ciblée. Traitez uniquement ce qui doit être traité. Laissez le reste inchangé.
Combinaison de l'OCR sélective avec d'autres traitements spécifiques à une page
Le traitement sélectif ne se limite pas à l'OCR. La compression, l'ajustement de la résolution et la conversion des couleurs peuvent également être appliqués à des pages spécifiques. Un document contenant des photos couleur haute résolution et des pages de texte en noir et blanc bénéficie de paramètres de compression différents pour chaque type de page. Les photos nécessitent une compression modérée pour préserver les détails. Les pages de texte peuvent être compressées de manière agressive.
Appliquez les paramètres de compression par type de page après l'OCR. Le PDF numérisé à contenu mixte bénéficie d'un traitement spécifique à la page dans toutes les opérations, et pas seulement par l'OCR. Traitez chaque type de page en fonction de son contenu.
Documenter quelles pages ont été OCR pour référence future
Lorsque vous effectuez une OCR uniquement sur des pages spécifiques, documentez quelles pages ont été traitées. Une note dans les métadonnées du document ou un fichier texte compagnon répertoriant les plages de pages OCRed. Si quelqu'un recherche ultérieurement le document et trouve du contenu sur certaines pages mais pas sur d'autres, la documentation explique pourquoi. La recherche n'a pas échoué. Ces pages n’ont pas été OCRed.
La documentation sur le traitement sélectif OCR PDF évite toute confusion quant aux raisons pour lesquelles certaines pages sont consultables et d'autres non. La documentation prend quelques secondes et apporte de la clarté à chaque futur utilisateur du document.
Fractionner le document par type de page avant l'OCR
Pour les documents volumineux comportant des sections de texte et de non-texte clairement séparées, divisez le document par type de page avant l'OCR. Placez toutes les pages de texte dans un fichier et toutes les pages non textuelles dans un autre. OCR le fichier texte dans son intégralité. Fusionnez ensuite les pages de texte OCRed avec les pages non textuelles inchangées. Le flux de travail fractionné-processus-fusion comporte plusieurs étapes mais évite le risque d'identification erronée des pages lors de l'OCR sélective.
Le flux de travail fractionné OCR PDF est approprié lorsque les sections de texte et non textuelles sont clairement séparées et que le document est suffisamment volumineux pour que les étapes supplémentaires soient justifiées. Pour les petits documents, l’OCR sélective avec des plages de pages est plus efficace.
Re-OCRing des pages qui ont échoué au premier passage
Après l'OCR sélective, recherchez un mot dont vous savez qu'il apparaît sur l'une des pages traitées. Si la recherche échoue, l'OCR n'a peut-être pas reconnu le texte correctement. Re-OCR cette page spécifique, éventuellement avec des paramètres différents tels qu'une résolution plus élevée ou un modèle de langue différent. L'approche sélective permet un retraitement ciblé sans refaire l'intégralité du document.
Le retraitement ciblé PDF numérisé des pages défaillantes est un des avantages de l'OCR sélective. Un échec d’OCR sur un document complet nécessite de tout retraiter. Un échec sélectif nécessite de retraiter uniquement les pages qui en ont besoin.
Essayez l'OCR PDF
Aucune installation nécessaire. Fonctionne directement dans votre navigateur.