Un PDF scansionato di 200 pagine contiene un mix di tipi di pagina. Le prime 150 pagine sono testo stampato pulito che necessita di OCR. Le successive 30 pagine sono fotografie e diagrammi che non hanno testo da riconoscere. Le ultime 20 pagine sono moduli con voci scritte a mano che necessitano anch'esse di OCR. L'esecuzione dell'OCR sull'intero documento spreca tempo di elaborazione su pagine che non contengono testo e può produrre risultati confusi sulle pagine delle foto mentre il motore OCR tenta di trovare caratteri nel contenuto dell'immagine. L'esecuzione selettiva dell'OCR solo sulle pagine che lo richiedono è più efficiente e produce un output più pulito.
L'OCR selettivo, a volte chiamato OCR per pagina o intervallo di pagine, elabora solo le pagine specificate. Le pagine escluse rimangono invariate. Le pagine incluse ricevono un livello di testo ricercabile. Il documento misto conserva il contenuto originale su tutte le pagine, con la possibilità di ricercare il testo aggiunta solo dove necessario.
L'approccio selettivo OCR PDF è particolarmente utile per documenti di grandi dimensioni in cui l'OCR dell'intero documento richiederebbe molto tempo e la percentuale di pagine di testo è bassa. L'elaborazione di 20 pagine su 200 è dieci volte più veloce dell'elaborazione di tutte le 200.
Identificare quali pagine necessitano dell'OCR
Scorri il documento e identifica quali pagine contengono testo che dovrebbe essere ricercabile. Le pagine di testo hanno parole e caratteri visibili. Le pagine delle foto contengono immagini senza testo. Le pagine dei diagrammi contengono linee, forme ed etichette che possono o meno trarre vantaggio dall'OCR a seconda che le etichette debbano essere ricercabili. Crea un elenco di intervalli di pagine che necessitano dell'OCR. Per un documento con testo nelle pagine da 1 a 150 e da 181 a 200, gli intervalli sono 1-150 e 181-200. Le pagine da 151 a 180 sono la sezione di foto e diagrammi che non necessita di OCR.
Se il documento contiene segnalibri o un sommario, usali per identificare rapidamente le sezioni di testo. Ogni sezione con segnalibro che contiene testo è candidata per l'OCR. Il PDF scansionato con contenuti misti beneficia di questo approccio mirato.
Prova l'OCR dei PDF
Nessuna installazione necessaria. Funziona direttamente nel tuo browser.
Esecuzione dell'OCR selettivo
Carica il PDF su uno strumento OCR basato su browser che supporta la selezione dell'intervallo di pagine. Inserisci gli intervalli di pagine che hai identificato. Lo strumento elabora solo quelle pagine. Le pagine di testo ricevono uno strato di testo ricercabile. Le pagine delle foto e dei diagrammi rimangono invariate. Scarica il file elaborato. L'intero documento è intatto. Sono state modificate solo le pagine specificate.
WukongPDF Gli strumenti OCR supportano la selezione della pagina. L'elaborazione selettiva OCR PDF consente di risparmiare tempo su documenti di grandi dimensioni con contenuti misti e produce risultati più puliti evitando l'OCR su pagine che non contengono testo.
Verifica dei risultati OCR selettivi
Dopo l'elaborazione, verificare l'output OCR sulle pagine selezionate. Cerca le parole che appaiono su quelle pagine. Conferma che la ricerca li trova. Quindi controlla una pagina dall'intervallo escluso. Conferma che appare invariato. L'OCR selettivo dovrebbe aver modificato solo le pagine specificate. Una rapida verifica su una pagina di ciascun intervallo conferma che la selezione è stata applicata correttamente.
L'approccio di elaborazione selettiva Strumenti PDF prevede il controllo della qualità attraverso un'applicazione mirata. Elabora solo ciò che necessita di elaborazione. Lasciamo invariato il resto.
Combinazione dell'OCR selettivo con altre elaborazioni specifiche della pagina
L'elaborazione selettiva non è limitata all'OCR. È inoltre possibile applicare la compressione, la regolazione della risoluzione e la conversione del colore a pagine specifiche. Un documento con foto a colori ad alta risoluzione e pagine di testo in bianco e nero beneficia di impostazioni di compressione diverse per ciascun tipo di pagina. Le foto necessitano di una compressione moderata per preservare i dettagli. Le pagine di testo possono essere compresse in modo aggressivo.
Applicare le impostazioni di compressione per tipo di pagina dopo l'OCR. Il PDF scansionato con contenuto misto beneficia dell'elaborazione specifica della pagina in tutte le operazioni, non solo dell'OCR. Tratta ogni tipo di pagina in base al suo contenuto.
Documentare quali pagine sono state sottoposte a OCR per riferimento futuro
Quando esegui l'OCR solo di pagine specifiche, documenta quali pagine sono state elaborate. Una nota nei metadati del documento o un file di testo associato che elenca gli intervalli di pagine sottoposti a OCR. Se in seguito qualcuno cerca nel documento e trova il contenuto in alcune pagine ma non in altre, la documentazione ne spiega il motivo. La ricerca non è fallita. Quelle pagine non sono state sottoposte a OCR.
La documentazione sull'elaborazione selettiva OCR PDF evita confusione sul motivo per cui alcune pagine sono ricercabili e altre no. La documentazione richiede pochi secondi e fornisce chiarezza per ogni futuro utente del documento.
Divisione del documento per tipo di pagina prima dell'OCR
Per documenti di grandi dimensioni con sezioni di testo e non di testo chiaramente separate, dividere il documento per tipo di pagina prima dell'OCR. Inserisci tutte le pagine di testo in un file e tutte le pagine non di testo in un altro. OCR del file di testo nella sua interezza. Quindi unisci nuovamente le pagine di testo sottoposte a OCR con le pagine non di testo invariate. Il flusso di lavoro diviso-processo-unione prevede più passaggi ma evita il rischio di identificare erroneamente le pagine durante l'OCR selettivo.
Il flusso di lavoro suddiviso OCR PDF è appropriato quando le sezioni di testo e non di testo sono chiaramente separate e il documento è sufficientemente grande da giustificare i passaggi aggiuntivi. Per i documenti di piccole dimensioni, l'OCR selettivo con intervalli di pagine è più efficiente.
Rieseguire l'OCR delle pagine che non hanno superato il primo passaggio
Dopo l'OCR selettivo, cerca una parola che conosci appare su una delle pagine elaborate. Se la ricerca fallisce, l'OCR potrebbe non aver riconosciuto correttamente il testo. Riesegui l'OCR di quella pagina specifica, possibilmente con impostazioni diverse come una risoluzione più elevata o un modello linguistico diverso. L'approccio selettivo consente una rielaborazione mirata senza rifare l'intero documento.
La rielaborazione mirata PDF scansionato delle pagine non riuscite è uno dei vantaggi dell'OCR selettivo. Un errore OCR di un documento completo richiede la rielaborazione di tutto. Un errore selettivo richiede la rielaborazione solo delle pagine che lo richiedono.
Prova l'OCR dei PDF
Nessuna installazione necessaria. Funziona direttamente nel tuo browser.