200 ページのスキャンされた PDF には、さまざまな種類のページが含まれています。最初の 150 ページは、OCR が必要なクリーン プリント テキストです。次の 30 ページは写真と図で、認識できるテキストはありません。最後の 20 ページは手書き入力のフォームで、OCR も必要です。ドキュメント全体で OCR を実行すると、テキストが含まれていないページで処理時間が無駄になり、OCR エンジンが画像コンテンツ内の文字を検索しようとするため、写真ページで出力が文字化けする可能性があります。 OCR を必要とするページのみで選択的に OCR を実行すると、より効率的で、よりきれいな出力が生成されます。
選択的 OCR は、ページごとまたはページ範囲 OCR とも呼ばれ、指定されたページのみを処理します。除外したページは変更されません。含めたページには、検索可能なテキスト レイヤーが含まれます。混合ドキュメントでは、すべてのページで元のコンテンツが保持され、必要な場合にのみテキスト検索機能が追加されます。
OCR PDF の選択的アプローチは、文書全体の OCR にかなりの時間がかかり、テキスト ページの割合が低い大規模文書の場合に特に役立ちます。 200 ページのうち 20 ページを処理すると、200 ページすべてを処理するよりも 10 倍高速になります。
OCRが必要なページの特定
文書をスクロールして、検索可能なテキストが含まれているページを特定します。テキストページには単語や文字が表示されます。写真ページにはテキストのない画像が含まれています。図ページには線、図形、ラベルが含まれており、ラベルを検索可能にする必要があるかどうかに応じて、OCR の恩恵を受ける場合と受けられない場合があります。 OCR が必要なページ範囲のリストを作成します。 1 ～ 150 ページおよび 181 ～ 200 ページにテキストがある文書の場合、範囲は 1 ～ 150 および 181 ～ 200 です。 151ページから180ページはOCRが不要な写真と図のセクションです。
文書にブックマークや目次がある場合は、それらを使用してテキストセクションをすばやく識別します。テキストを含むブックマークされた各セクションは OCR の候補になります。混合コンテンツを含む Scanned PDF は、この対象を絞ったアプローチの恩恵を受けます。
選択的 OCR の実行
ページ範囲の選択をサポートするブラウザベースの OCR ツールに PDF をアップロードします。特定したページ範囲を入力します。ツールはそれらのページのみを処理します。テキスト ページには、検索可能なテキスト レイヤーが含まれます。写真と図のページはそのまま残ります。処理されたファイルをダウンロードします。文書全体はそのままです。指定されたページのみが変更されました。
WukongPDF OCR ツールはページ選択をサポートします。 OCR PDF の選択的処理は、大規模な混合コンテンツ文書の時間を節約し、テキストを含まないページでの OCR を回避することで、よりクリーンな出力を生成します。
選択的な OCR 結果の検証
処理後、選択したページの OCR 出力を確認します。それらのページに表示される単語を検索します。検索でそれらが見つかることを確認します。次に、除外範囲のページを確認します。変化がないように見えることを確認します。選択的 OCR は、指定されたページのみを変更する必要があります。各範囲の 1 ページを簡単に検証すると、選択が正しく適用されたことが確認されます。
PDF ツール 選択的処理アプローチは、対象を絞ったアプリケーションによる品質管理です。処理が必要なものだけを処理します。残りは変更しないでください。
選択的 OCR と他のページ固有の処理を組み合わせる
選択的な処理は OCR に限定されません。特定のページに圧縮、解像度調整、色変換を適用することもできます。高解像度のカラー写真と白黒のテキスト ページを含むドキュメントには、ページ タイプごとに異なる圧縮設定が役立ちます。写真は細部を維持するために適度な圧縮が必要です。テキスト ページは積極的に圧縮できます。
OCR 後にページ タイプごとに圧縮設定を適用します。混合コンテンツを含む スキャン PDF は、OCR だけでなくすべての操作にわたるページ固有の処理の恩恵を受けます。各ページの種類をその内容に応じて扱います。
将来の参照のためにどのページが OCR されたかを文書化する
特定のページのみを OCR する場合は、どのページが処理されたかを文書化します。ドキュメントのメタデータ内のメモ、または ORed ページ範囲をリストしたコンパニオン テキスト ファイル。後で誰かがドキュメントを検索し、一部のページにはコンテンツが見つかり、他のページにはコンテンツが見つからない場合、ドキュメントにはその理由が説明されています。検索は失敗しませんでした。これらのページは OCR されていませんでした。
OCR PDF 選択的処理に関するドキュメントは、一部のページが検索可能であり、他のページが検索できない理由についての混乱を防ぎます。ドキュメントは数秒で作成され、将来このドキュメントを使用するすべてのユーザーに明確な内容を提供します。
OCR の前にドキュメントをページタイプごとに分割する
テキストセクションと非テキストセクションが明確に分離されている大きな文書の場合は、OCR の前に文書をページタイプごとに分割します。すべてのテキスト ページを 1 つのファイルに配置し、すべての非テキスト ページを別のファイルに配置します。テキスト ファイル全体を OCR します。次に、OCRed テキスト ページを変更されていない非テキスト ページとマージして戻します。分割、プロセス、マージのワークフローでは手順が増えますが、選択的な OCR 中にページを誤認するリスクを回避できます。
OCR PDF 分割ワークフローは、テキスト セクションと非テキスト セクションが明確に分離されており、ドキュメントが十分に大きくて追加の手順が正当化される場合に適しています。小さなドキュメントの場合は、ページ範囲を指定した選択的 OCR の方が効率的です。
最初のパスに失敗したページの再 OCR 処理
選択的 OCR 後、処理されたページの 1 つに表示されていることがわかっている単語を検索します。検索が失敗した場合は、OCR がテキストを正しく認識できなかった可能性があります。場合によっては、高解像度や別の言語モデルなどの異なる設定を使用して、その特定のページを再 OCR します。選択的アプローチにより、ドキュメント全体をやり直すことなく、対象を絞った再処理が可能になります。
スキャンされた PDF を対象とした、失敗したページの再処理は、選択的 OCR の利点の 1 つです。ドキュメント全体の OCR が失敗すると、すべてを再処理する必要があります。選択的失敗では、必要なページのみを再処理する必要があります。