Giornali e riviste organizzano il testo in più colonne che serpeggiano attraverso la pagina. Una storia inizia in alto a sinistra, continua lungo la prima colonna, salta all'inizio della seconda colonna, continua verso il basso e può saltare nuovamente alla pagina sette. I motori OCR addestrati su documenti a colonna singola hanno problemi con questo layout. Il motore legge tutta la pagina, catturando il testo dalla colonna uno e dalla colonna due come se fossero un'unica riga. L'output è un pasticcio confuso in cui le frasi di diverse colonne sono interlacciate.
L'OCR per i layout a più colonne richiede che il motore rilevi i limiti delle colonne prima di riconoscere il testo. La pagina è divisa in zone. Ogni zona viene elaborata in modo indipendente. Il testo di ciascuna zona viene assemblato nell'ordine di lettura corretto. Il risultato viene letto correttamente perché ogni colonna è stata trattata come un'area di testo separata.
La sfida dell'OCR PDF con layout a più colonne non è il riconoscimento dei caratteri. È il rilevamento della zona. Riconoscere i personaggi è la parte facile. Sapere quali personaggi appartengono insieme è la parte difficile.
Metodi di rilevamento della zona
| Metodo | Come funziona | Ideale per |
|---|---|---|
| Rilevamento automatico della zona | Il motore OCR analizza i modelli di spazi bianchi per identificare i margini interni delle colonne e i blocchi di testo | Layout puliti con larghezze di colonna coerenti e rilegature chiare |
| Disegno manuale delle zone | L'utente disegna rettangoli attorno a ciascuna colonna prima dell'elaborazione OCR | Layout complessi con colonne, immagini o pubblicità irregolari |
| Specifica dell'ordine di lettura | L'utente specifica la sequenza in cui le zone devono essere lette dopo il rilevamento | Documenti in cui il flusso naturale della colonna non è dall'alto verso il basso da sinistra a destra |
Prova l'OCR dei PDF
Nessuna installazione necessaria. Funziona direttamente nel tuo browser.
Esecuzione dell'OCR multicolonna
Carica il PDF su uno strumento OCR che supporti l'elaborazione basata su zone. Se lo strumento offre il rilevamento automatico delle zone, eseguilo ed esamina le zone rilevate. Regola manualmente eventuali zone erroneamente identificate. Specificare l'ordine di lettura. Esegui l'OCR. L'output conserva la struttura delle colonne.
WukongPDF Gli strumenti OCR elaborano i documenti scansionati. L'elaborazione multicolonna PDF scansionato produce il testo nell'ordine di lettura corretto.
Verifica dell'ordine di lettura
Dopo l'OCR, leggi un paragrafo di esempio che si estende oltre i limiti della colonna nell'originale. L'output OCR dovrebbe scorrere correttamente dalla parte inferiore di una colonna all'inizio di quella successiva. Se le frasi sono interrotte ai limiti delle colonne o il testo di diverse colonne è mischiato, il rilevamento della zona o l'ordine di lettura non erano corretti.
La verifica dell'ordine di lettura del formato PDF conferma che l'output OCR corrisponde alla sequenza di lettura prevista del layout originale.
Gestione di pagine miste a colonna singola e multicolonna
Un articolo di rivista può iniziare con un titolo a colonna singola, passare al corpo del testo a tre colonne e terminare con un riepilogo a colonna singola. Il rilevamento della zona OCR deve gestire correttamente queste transizioni. Ogni sezione della pagina riceve la configurazione della zona appropriata.
La gestione del layout misto OCR PDF richiede il rilevamento delle zone per sezione, non per pagina.
Esamina il rilevamento delle zone su ciascun tipo di pagina prima di eseguire l'OCR sull'intero documento.
Preservare l'ordine di lettura per i lettori dello schermo
L'ordine di lettura dell'output OCR determina il modo in cui gli screen reader navigano nel documento. Un ordine di lettura corretto significa che un'utilità per la lettura dello schermo legge la prima colonna dall'alto verso il basso, quindi la seconda colonna dall'alto verso il basso. Un ordine di lettura errato significa che legge attraverso le colonne, producendo un output incomprensibile.
La specifica dell'ordine di lettura PDF scansionato per l'accessibilità garantisce che l'output OCR sia utilizzabile dalla tecnologia assistiva.
Dopo l'OCR, testare il documento con uno screen reader. Il test rivela errori nell'ordine di lettura che l'ispezione visiva non rileva.
OCR per documenti con immagini incorporate in colonne
Le immagini all'interno delle colonne interrompono il flusso del testo. Il motore OCR deve riconoscere il confine dell'immagine e trattare il testo sopra e sotto come parte della stessa colonna, non come blocchi di testo separati.
La separazione immagine-testo in formato PDF durante l'OCR a più colonne richiede che il motore riconosca che le immagini non sono testo e non devono interrompere il flusso delle colonne.
Esamina manualmente le pagine con immagini incorporate. Il rilevamento automatico della zona potrebbe non riuscire ai confini dell'immagine.
Creazione di un modello di zona per formati di pubblicazione ricorrenti
Se esegui regolarmente l'OCR dello stesso formato di pubblicazione, crea un modello di zona. Il modello definisce le posizioni delle colonne, le aree delle immagini e l'ordine di lettura per quello specifico layout. Applica il modello a ogni nuovo numero.
Il modello di zona PDF OCR per pubblicazioni ricorrenti elimina la necessità di riconfigurare il rilevamento della zona per ciascun documento.
Aggiorna il modello quando la pubblicazione cambia layout. Un modello corretto per il formato dell'anno scorso potrebbe non essere corretto per quest'anno.
Gestire le variazioni di larghezza delle colonne
Alcuni layout variano la larghezza delle colonne da una pagina all'altra. Una pagina a tre colonne seguita da una pagina a due colonne. Il rilevamento della zona deve adattarsi individualmente a ciascuna pagina.
Il rilevamento dell'area PDF OCR per pagina gestisce i layout in cui la configurazione delle colonne cambia.
Utilizzo dell'output OCR per ricostruire i confini dell'articolo originale
Dopo l'OCR, utilizzare il testo riconosciuto per identificare i confini dell'articolo. Titoli, sottotitoli e indicatori di continuazione indicano dove iniziano e finiscono gli articoli.
Il rilevamento dei confini degli articoli PDF scansionato dall'output OCR consente di suddividere il documento in singoli articoli.
Prova l'OCR dei PDF
Nessuna installazione necessaria. Funziona direttamente nel tuo browser.