Een gescande PDF van 200 pagina's bevat een combinatie van paginatypen. De eerste 150 pagina's zijn schoongedrukte tekst die OCR nodig heeft. De volgende 30 pagina's zijn foto's en diagrammen zonder herkenbare tekst. De laatste 20 pagina's zijn formulieren met handgeschreven vermeldingen die ook OCR nodig hebben. Als u OCR op het hele document uitvoert, verspilt u verwerkingstijd op pagina's die geen tekst bevatten, en kan de uitvoer op de fotopagina's onleesbaar worden wanneer de OCR-engine tekens in de afbeeldingsinhoud probeert te vinden. Het selectief uitvoeren van OCR op alleen de pagina's die dit nodig hebben, is efficiënter en levert schonere uitvoer op.
Selectieve OCR, ook wel OCR per pagina of paginabereik genoemd, verwerkt alleen de opgegeven pagina's. De pagina's die u uitsluit, blijven ongewijzigd. De pagina's die u opneemt, krijgen een doorzoekbare tekstlaag. Het gemengde document behoudt de originele inhoud op alle pagina's, waarbij de doorzoekbaarheid van tekst alleen wordt toegevoegd waar dat nodig is.
De selectieve aanpak van OCR PDF is vooral waardevol voor grote documenten waarbij OCR voor het volledige document veel tijd zou vergen en het aandeel tekstpagina's laag is. Het verwerken van 20 pagina's van de 200 is tien keer sneller dan het verwerken van alle 200.
Identificeren welke pagina's OCR nodig hebben
Blader door het document en identificeer welke pagina's tekst bevatten die doorzoekbaar moet zijn. Tekstpagina's bevatten zichtbare woorden en tekens. Fotopagina's bevatten afbeeldingen zonder tekst. Diagrampagina's bevatten lijnen, vormen en labels die wel of niet profiteren van OCR, afhankelijk van of de labels doorzoekbaar moeten zijn. Maak een lijst met paginabereiken waarvoor OCR nodig is. Voor een document met tekst op pagina's 1 tot en met 150 en 181 tot en met 200 zijn de bereiken 1-150 en 181-200. Pagina's 151 tot en met 180 zijn de foto- en diagramsectie waarvoor geen OCR nodig is.
Als het document bladwijzers of een inhoudsopgave bevat, kunt u deze gebruiken om tekstgedeelten snel te identificeren. Elke sectie met een bladwijzer die tekst bevat, komt in aanmerking voor OCR. De Gescande PDF met gemengde inhoud profiteert van deze gerichte aanpak.
Selectieve OCR uitvoeren
Upload de PDF naar een browsergebaseerd OCR-hulpmiddel dat paginabereikselectie ondersteunt. Voer de paginabereiken in die u heeft geïdentificeerd. De tool verwerkt alleen die pagina's. De tekstpagina's krijgen een doorzoekbare tekstlaag. De foto- en diagrampagina's blijven zoals ze waren. Download het verwerkte bestand. Het gehele document is intact. Alleen de opgegeven pagina's zijn gewijzigd.
WukongPDF OCR-tools ondersteunen paginaselectie. De selectieve verwerking van OCR PDF bespaart tijd bij grote documenten met gemengde inhoud en produceert schonere uitvoer door OCR te vermijden op pagina's die geen tekst bevatten.
Selectieve OCR-resultaten verifiëren
Controleer na verwerking de OCR-uitvoer op de geselecteerde pagina's. Zoek naar woorden die op die pagina's voorkomen. Bevestig dat de zoekopdracht ze vindt. Controleer vervolgens een pagina uit het uitgesloten bereik. Bevestig dat het onveranderd lijkt. De selectieve OCR had alleen de opgegeven pagina's moeten wijzigen. Een snelle verificatie op één pagina uit elk assortiment bevestigt dat de selectie correct is toegepast.
De selectieve verwerkingsaanpak van PDF Tools bestaat uit kwaliteitscontrole door gerichte toepassing. Verwerk alleen wat verwerkt moet worden. Laat de rest ongewijzigd.
Selectieve OCR combineren met andere paginaspecifieke verwerking
Selectieve verwerking beperkt zich niet tot OCR. Compressie, resolutie-aanpassing en kleurconversie kunnen ook op specifieke pagina's worden toegepast. Een document met kleurenfoto's met hoge resolutie en zwart-wittekstpagina's profiteert van verschillende compressie-instellingen voor elk paginatype. De foto's hebben een gematigde compressie nodig om details te behouden. De tekstpagina's kunnen agressief worden gecomprimeerd.
Pas compressie-instellingen toe per paginatype na OCR. De Gescande PDF met gemengde inhoud profiteert van paginaspecifieke verwerking voor alle bewerkingen, niet alleen voor OCR. Behandel elk paginatype op basis van de inhoud ervan.
Documenteren welke pagina's zijn geOCRed voor toekomstig gebruik
Wanneer u alleen specifieke pagina's OCR, documenteert u welke pagina's zijn verwerkt. Een notitie in de metagegevens van het document of een begeleidend tekstbestand met de OCRed-paginabereiken. Als iemand later het document doorzoekt en op sommige pagina's inhoud vindt, maar op andere niet, legt de documentatie uit waarom. De zoektocht mislukte niet. Deze pagina's waren niet geOCRed.
De selectieve verwerkingsdocumentatie van OCR PDF voorkomt verwarring over waarom sommige pagina's wel en andere niet doorzoekbaar zijn. De documentatie duurt slechts enkele seconden en geeft duidelijkheid voor iedere toekomstige gebruiker van het document.
Het document opsplitsen op paginatype vóór OCR
Voor grote documenten met duidelijk gescheiden tekst- en niet-tekstgedeelten kunt u het document vóór OCR opsplitsen op paginatype. Plaats alle tekstpagina's in één bestand en alle niet-tekstpagina's in een ander bestand. OCR het tekstbestand in zijn geheel. Voeg vervolgens de OCR-tekstpagina's weer samen met de ongewijzigde niet-tekstpagina's. De workflow voor split-proces-samenvoegen bestaat uit meer stappen, maar vermijdt het risico van verkeerde identificatie van pagina's tijdens selectieve OCR.
De gesplitste workflow OCR PDF is geschikt wanneer de tekst- en niet-tekstgedeelten duidelijk gescheiden zijn en het document groot genoeg is om de extra stappen te rechtvaardigen. Voor kleine documenten is selectieve OCR met paginabereiken efficiënter.
Pagina's opnieuw OCRen die de eerste doorgang niet hebben doorstaan
Zoek na selectieve OCR naar een woord waarvan u weet dat het op een van de verwerkte pagina's verschijnt. Als het zoeken mislukt, heeft de OCR de tekst mogelijk niet correct herkend. Her-OCR die specifieke pagina, eventueel met andere instellingen zoals een hogere resolutie of een ander taalmodel. De selectieve aanpak maakt gerichte herverwerking mogelijk zonder het hele document opnieuw te hoeven doen.
De Gescande PDF gerichte herverwerking van mislukte pagina's is een van de voordelen van selectieve OCR. Bij een OCR-fout van een volledig document moet alles opnieuw worden verwerkt. Bij een selectieve fout moeten alleen de pagina's die dit nodig hebben opnieuw worden verwerkt.