L'esecuzione di OCR PDF su una cartella di documenti scansionati dovrebbe produrre PDF ricercabili con nomi che corrispondono agli originali. Quando gli strumenti OCR batch rinominano i file di output in modo generico, come output1.pdf, output2.pdf, la connessione tra la versione originale e quella ricercabile viene persa. La conservazione dei nomi dei file attraverso il processo OCR mantiene i documenti scansionati organizzati e tracciabili.
La conservazione del nome file è un dettaglio della configurazione, non una limitazione delle funzionalità. La maggior parte degli strumenti OCR generano per impostazione predefinita nomi di file di output in base ai nomi di file di input o consentono di specificare un modello di denominazione di output. La chiave è trovare l'impostazione corretta o il flag della riga di comando prima di eseguire il batch, non dopo aver scoperto che 200 file sono stati rinominati.
Gli strumenti OCR PDF scansionato di WukongPDF elaborano i documenti individualmente e in batch mantenendo i nomi dei file originali.
OCR batch con la procedura guidata di azione di Acrobat Pro
La procedura guidata di azione di Acrobat Pro automatizza l'elaborazione PDF in più passaggi su una cartella. Vai su Strumenti, Procedura guidata di azione, Nuova azione. Aggiungere il passaggio Riconosci testo all'azione, selezionando la lingua OCR corretta e le impostazioni di output. Aggiungi un passaggio Salva che salva i file in una cartella di output specificata, aggiungendo facoltativamente un suffisso come _OCR per distinguere i file ricercabili dagli originali.
Esegui l'azione sulla cartella di input. Acrobat apre ciascun file, esegue l'OCR, salva l'output con il suffisso aggiunto al nome file originale e passa al file successivo. La cartella di output contiene PDF ricercabili con nomi come report_OCR.pdf corrispondenti al report.pdf originale. L'approccio del suffisso preserva il nome file originale indicando chiaramente quali file sono stati elaborati dall'OCR.
Prova l'OCR dei PDF
Nessuna installazione necessaria. Funziona direttamente nel tuo browser.
OCR batch da riga di comando con Tesseract
Tesseract elabora un file immagine alla volta. Per l'OCR batch di una cartella di PDF scansionati, converti prima ogni pagina PDF in un'immagine, esegui Tesseract, quindi ricombina in un PDF ricercabile. Uno script di shell gestisce la pipeline. Per ogni PDF nella cartella, lo script estrae il nome file di base, converte le pagine in immagini TIFF, esegue Tesseract con il flag della lingua appropriato e genera un PDF ricercabile con il nome file di base originale.
Lo script utilizza l'espansione dei parametri per rimuovere l'estensione del file: base=${f%.pdf} fornisce il nome del file senza .pdf. L'output di Tesseract è denominato $base e il PDF ricercabile risultante viene salvato come ${base}_searchable.pdf. Il nome file originale viene conservato nel nome di output. Un ciclo di una riga elabora un'intera cartella: for f in *.pdf; do tesseract $f ${f%.pdf} -l eng PDF; Fatto.
OCR batch semplificato con OCRmyPDF
OCRmyPDF è uno strumento da riga di comando basato su Python che aggiunge un livello di testo OCR ai PDF esistenti. Gestisce internamente l'estrazione delle immagini, l'OCR e il riassemblaggio del PDF. Un singolo comando elabora un PDF: ocrmypdf input.pdf output.pdf. L'output conserva le immagini della pagina e aggiunge il testo riconosciuto dietro di esse come livello invisibile.
Per l'elaborazione batch, OCRmyPDF accetta un percorso di cartella con il flag --batch o può essere ripetuto in uno script di shell. Il vantaggio principale rispetto a Tesseract per l'elaborazione PDF è che OCRmyPDF funziona direttamente con l'input e l'output PDF. Non è necessaria alcuna conversione intermedia dell'immagine. Il nome del file di output può essere specificato per file, preservando la convenzione di denominazione originale. Per la digitalizzazione di documenti scansionati di grandi volumi, OCRmyPDF combinato con un ciclo di shell fornisce il percorso più efficiente dalle scansioni grezze agli archivi ricercabili.
| Strumento | Metodo batch | Gestione dei nomi file |
|---|---|---|
| Procedura guidata di azione di Acrobat Pro | Crea azione, applica alla cartella | Conserva il nome file originale, aggiunge il suffisso |
| Tesseract CLI | Shell for-loop over cartella | L'output corrisponde al nome file di input |
| OCRmyPDF | Comando singolo per file o batch | Sovrascrive o crea un nuovo file in base alle impostazioni |
Verifica dell'output OCR batch
Dopo l'elaborazione batch, verificare un campione di file di output prima di archiviare gli originali. Apri da tre a cinque PDF di output da diverse parti dell'elenco di file in ordine alfabetico. Cerca una parola visibile nell'immagine scansionata. Se la ricerca trova la parola, l'OCR è riuscito per quel file. Effettua un controllo a campione della prima pagina, di una pagina centrale e dell'ultima pagina di ciascun file campionato. La qualità dell'OCR può variare all'interno di un documento se le pagine hanno una qualità di scansione diversa.
Quando si tratta di flussi di lavoro documentali, per i documenti in cui l'OCR non è riuscito, indicato da un PDF in cui la ricerca non trova nulla, riesegui l'OCR con le impostazioni modificate. Aumentare la risoluzione dell'immagine a 400 DPI se la scansione originale è di bassa qualità. Prova un motore OCR diverso se Tesseract ha prodotto scarsi risultati. Elaborare i file problematici individualmente anziché rieseguire l'intero batch.
L'OCR batch con conservazione del nome file trasforma una cartella di documenti scansionati inaccessibili in un archivio ricercabile in cui ogni file è riconducibile al suo originale. Il nome file è il collegamento tra la scansione originale e la versione ottimizzata per l'OCR.
Archiviazione a lungo termine dei PDF scansionati con OCR
Una volta impostato, dopo l'elaborazione OCR in batch, archivia i PDF ricercabili in una posizione che preservi sia le immagini delle pagine che il livello di testo OCR. Il formato PDF/A con un livello di testo incorporato è lo standard di archiviazione. Converti l'output OCR in PDF/A utilizzando Acrobat Pro o Ghostscript con l'impostazione di output PDF/A.
In pratica, il livello di testo OCR aggiunge un sovraccarico minimo alle dimensioni del file, in genere dal 5 al 15%. Il compromesso tra file leggermente più grandi per la ricercabilità vale quasi sempre la pena. Un documento scansionato che non può essere cercato è molto meno utile di uno che può essere cercato.
In pratica, la struttura della directory per l'output OCR batch dovrebbe rispecchiare la struttura dell'input durante l'elaborazione delle cartelle nidificate. Uno script batch ricorsivo che preserva la struttura del percorso relativo garantisce che i file ottimizzati per l'OCR mantengano la stessa gerarchia organizzativa degli originali.
Quando si tratta di flussi di lavoro documentali, per progetti OCR batch estremamente grandi con migliaia di documenti, prendi in considerazione la suddivisione del carico di lavoro su più sessioni o macchine. L'OCR richiede molti calcoli e un batch di diecimila pagine può richiedere diverse ore su un singolo computer.
Una volta impostato, dopo aver completato un progetto OCR batch, genera un manifesto di elaborazione che elenca ogni file di input, il relativo file di output, il motore OCR e le impostazioni utilizzate, nonché la data di elaborazione. Il manifest funge da documentazione e registrazione dei file elaborati.
Guardando a questo dal punto di vista pratico, in pratica, la transizione da archivi scansionati non ricercabili a raccolte ricercabili potenziate dall’OCR è una delle attività di digitalizzazione di maggiore impatto. La capacità di cercare documenti precedentemente inaccessibili li trasforma da record statici in risorse informative attive.
La velocità di elaborazione OCR varia in base alla complessità del documento. Le pagine di solo testo vengono elaborate rapidamente. Le pagine con tabelle, caratteri misti o elementi decorativi richiedono più tempo. Un batch di pagine di testo uniformi viene completato più velocemente di un batch di contenuti diversi.
Nella maggior parte degli strumenti, l'impostazione della lingua OCR influisce sul tempo e sulla precisione dell'elaborazione batch. Selezionare solo le lingue effettivamente presenti nei documenti evita inutili sovraccarichi di elaborazione e riduce il riconoscimento di falsi caratteri da modelli linguistici inutilizzati.
Per i documenti contenenti sia testo che fotografie, il motore OCR potrebbe tentare di riconoscere il testo nelle aree della fotografia, producendo caratteri disturbati. Il filtraggio post-OCR rimuove questi artefatti analizzando la distribuzione spaziale del testo riconosciuto.
In genere, l'impostazione DPI per le immagini di input OCR bilancia la velocità di elaborazione con la precisione. 300 DPI è la raccomandazione standard. 400 DPI migliora la precisione per i testi piccoli. 200 DPI elabora più velocemente ma potrebbe perdere i caratteri fini.
Dopo l'OCR batch, esegui un test di ricerca per parole chiave tra i file elaborati utilizzando termini noti per apparire negli originali. I file in cui non viene trovata la parola chiave devono essere rielaborati con impostazioni modificate o revisione manuale.
I file di output OCR devono essere archiviati in una struttura di cartelle che separi i file elaborati dagli originali. Ciò impedisce la rielaborazione accidentale di file già ottimizzati per l'OCR e mantiene l'archivio organizzato.
In questo contesto, in pratica, il livello di testo OCR può essere estratto e memorizzato separatamente come file di testo semplice per ciascun documento. File di testo separati supportano la ricerca full-text nell'archivio senza aprire ciascun PDF singolarmente.
Con l'elaborazione dei documenti, per archivi scansionati di alto valore, prendi in considerazione l'esecuzione dell'OCR con due motori diversi e il confronto dell'output. Le discrepanze tra i motori evidenziano un riconoscimento incerto che necessita di verifica manuale.
Batch OCR è il ponte tra archivi cartacei e ricerca digitale. Un archivio di documenti cartacei, una volta scansionati ed elaborati tramite OCR, diventa una base di conoscenza consultabile. La transizione dal fisico al digitale ricercabile è una delle trasformazioni di gestione delle informazioni di maggior impatto che un'organizzazione può realizzare.
L'OCR batch con conservazione del nome file è il ponte tra una cartella di documenti scansionati inaccessibili e un archivio digitale ricercabile. Il trattamento è automatizzato. I nomi dei file forniscono la tracciabilità. Il livello di testo OCR rende ogni documento rilevabile. La combinazione trasforma una raccolta statica in una risorsa informativa attiva.
Prova l'OCR dei PDF
Nessuna installazione necessaria. Funziona direttamente nel tuo browser.