Un documento scansionato arriva come PDF. Sembra un documento. Visualizza il testo su ogni pagina. Ma quando provi a cercare una parola, la ricerca non restituisce risultati. Quando provi a selezionare il testo con il cursore, non viene evidenziato nulla. Il PDF è un file di sole immagini. Ogni pagina è una fotografia di testo, non il testo stesso. La conversione di questo PDF di sole immagini in un documento di testo completamente ricercabile richiede due passaggi: OCR per estrarre il testo dalle immagini e conversione in un formato in cui il testo è primario e le immagini sono secondarie.
Gli strumenti OCR basati su browser possono elaborare PDF di sole immagini e aggiungere un livello di testo ricercabile dietro ogni immagine della pagina. L'aspetto visivo delle pagine non cambia. Il livello di testo è invisibile finché non lo selezioni o lo cerchi. Dopo l'OCR, il PDF è ricercabile. La conversione dell'output OCR in un formato di documento di testo come Word rende il testo modificabile e riutilizzabile.
La pipeline OCR PDF per testo ricercabile trasforma una raccolta di immagini di pagina in un documento che si comporta come se fosse stato creato digitalmente. Il testo è ricercabile, selezionabile ed esportabile.
Il processo di conversione in due fasi
Passaggio uno: carica il PDF di sole immagini su uno strumento OCR. Lo strumento analizza ogni immagine della pagina, riconosce i caratteri e aggiunge uno strato di testo trasparente. Scarica il PDF elaborato dall'OCR. Verificare che il testo sia ora ricercabile. Passaggio due: converti il PDF elaborato dall'OCR in Word o in formato testo normale. La conversione estrae il testo riconosciuto e lo inserisce in un documento modificabile. Il file Word risultante contiene il testo del documento, pronto per la modifica, la formattazione e il riutilizzo.
WukongPDF Gli strumenti OCR aggiungono livelli di testo ricercabili. Il PDF Converter da PDF elaborati con OCR a Word produce testo modificabile da originali di sole immagini.
Prova l'OCR dei PDF
Nessuna installazione necessaria. Funziona direttamente nel tuo browser.
Gestione della precisione dell'OCR per PDF di sole immagini
La precisione dell'OCR dipende dalla qualità dell'immagine. Una scansione pulita di testo stampato a 300 DPI produce un riconoscimento quasi perfetto. Una scansione a bassa risoluzione o una fotografia di un documento produce più errori. Prima di convertire un PDF di sole immagini di grandi dimensioni, prova una pagina. Esegui l'OCR sulla pagina e rivedi l'output. Se la precisione è accettabile, elaborare l'intero documento. Se la precisione è scarsa, migliorare la qualità della scansione e rielaborare.
Il PDF scansionato sottoposto a OCR e convertito in testo è ricercabile, modificabile e riutilizzabile. L'originale di sola immagine ha servito al suo scopo. La versione ricercabile serve al suo futuro.
Scelta tra PDF ricercabile e conversione del testo completo
Un PDF ricercabile conserva le immagini della pagina originale con un livello di testo aggiunto. L'aspetto visivo è invariato. Il documento è ricercabile ma non modificabile. Questo è appropriato per i documenti di archivio e di riferimento. La conversione del testo completo in Word sostituisce le immagini della pagina con testo modificabile. L'aspetto visivo cambia. Il documento è ricercabile e modificabile. Ciò è appropriato per i documenti il cui contenuto verrà riutilizzato.
La conversione da PDF a Word dall'output OCR è il percorso verso la modificabilità. Il PDF ricercabile è il percorso verso la ricercabilità. Scegli il formato di output che corrisponde al modo in cui verrà utilizzato il documento.
Conservazione delle immagini della pagina originale nell'output
Alcuni flussi di lavoro richiedono sia le immagini della pagina originale che il testo ricercabile. L'output dovrebbe assomigliare alla scansione originale pur essendo ricercabile. Questo è il comportamento predefinito degli strumenti OCR che aggiungono uno strato di testo dietro le immagini. L'aspetto visivo è invariato. Viene aggiunta la funzionalità testo.
Il PDF scansionato con livello di testo OCR conserva sia l'aspetto originale che aggiunge ricercabilità. Il documento serve sia a scopi visivi che funzionali.
Scelta delle impostazioni della lingua OCR per PDF multilingue di sole immagini
Se il PDF di sole immagini contiene più lingue, seleziona tutte le lingue applicabili nelle impostazioni OCR. Un'impostazione solo inglese confonderà il testo non inglese. Un'impostazione multilingue applica il modello di riconoscimento appropriato a ciascuna area di testo. La selezione della lingua influisce direttamente sulla precisione dell'OCR.
L'impostazione della lingua OCR PDF per i PDF multilingue di sole immagini deve includere tutte le lingue presenti nel documento. La mancanza di una lingua produce un output confuso per il testo in quella lingua.
Confronto della precisione dell'OCR su più motori
Diversi motori OCR producono risultati diversi sullo stesso PDF di sole immagini. Per i documenti critici, esegui lo stesso file attraverso due diversi motori OCR e confronta l'output. Utilizza il risultato più accurato. Il confronto richiede più tempo ma produce la migliore qualità di testo possibile.
L'approccio dual-engine OCR PDF è appropriato per i documenti in cui la precisione del testo è fondamentale. Il confronto identifica quale motore gestisce meglio le caratteristiche specifiche del documento.
Aggiunta di metadati all'output ricercabile
Dopo la conversione in testo ricercabile, aggiungi i metadati al file di output. Titolo, autore, oggetto e parole chiave rendono il documento rilevabile nei sistemi di ricerca. I metadati dovrebbero descrivere il contenuto del documento, non il processo di conversione. Il PDF originale di sole immagini aveva metadati minimi. La versione ricercabile dovrebbe essere completamente descritta.
L'arricchimento dei metadati PDF scansionato è il passaggio finale nel flusso di lavoro di conversione. Un documento ricercabile con buoni metadati è sia trovabile che utilizzabile.
Creazione di un output ibrido con testo ricercabile e immagini originali
Per scopi di archiviazione, crea un PDF ibrido che contenga sia le immagini della pagina originale che il livello di testo ricercabile. Il documento appare esattamente come la scansione originale. Il livello testo consente la ricerca e la selezione senza alterare l'aspetto visivo. Questo è l'output standard dell'elaborazione OCR ed è il formato migliore per i documenti che devono mantenere il loro aspetto originale.
L'output ibrido Scanned PDF serve sia alla conservazione che all'usabilità. Le immagini conservano l'originale. Il testo abilita la funzionalità moderna del documento.
Conversione del testo ricercabile in PDF per la distribuzione
Dopo aver modificato il testo estratto in Word, riconvertilo in PDF per la distribuzione. Il nuovo PDF è completamente digitale senza artefatti dell'immagine. È più piccolo, più pulito e più accessibile rispetto al file originale di sole immagini. La riconversione in PDF completa la trasformazione da sola immagine a completamente digitale.
Il PDF Converter andata e ritorno dalle sole immagini al testo modificabile fino al PDF digitale pulito è un flusso di lavoro di modernizzazione dei documenti. Il contenuto è preservato. Il formato è aggiornato.
Prova l'OCR dei PDF
Nessuna installazione necessaria. Funziona direttamente nel tuo browser.