Een gescand document arriveert als PDF. Het lijkt op een document. Het toont tekst op elke pagina. Maar wanneer u naar een woord probeert te zoeken, levert de zoekopdracht geen resultaten op. Wanneer u tekst probeert te selecteren met uw cursor, wordt er niets gemarkeerd. De PDF is een bestand met alleen afbeeldingen. Elke pagina is een foto van tekst, niet de tekst zelf. Het converteren van deze PDF met alleen afbeeldingen naar een volledig doorzoekbaar tekstdocument vereist twee stappen: OCR om de tekst uit de afbeeldingen te extraheren, en conversie naar een formaat waarin de tekst primair is en de afbeeldingen secundair.
Browsergebaseerde OCR-tools kunnen PDF's met alleen afbeeldingen verwerken en achter elke paginaafbeelding een doorzoekbare tekstlaag toevoegen. Het uiterlijk van de pagina's verandert niet. De tekstlaag is onzichtbaar totdat u deze selecteert of ernaar zoekt. Na OCR is de PDF doorzoekbaar. Door de OCR-uitvoer naar een tekstdocumentformaat zoals Word te converteren, wordt de tekst bewerkbaar en herbruikbaar.
De pijplijn OCR PDF naar doorzoekbare tekst transformeert een verzameling pagina-afbeeldingen in een document dat zich gedraagt alsof het digitaal is geschreven. De tekst is doorzoekbaar, selecteerbaar en exporteerbaar.
Het tweestapsconversieproces
Stap één: upload de PDF met alleen afbeeldingen naar een OCR-tool. De tool analyseert elke paginaafbeelding, herkent de tekens en voegt een transparante tekstlaag toe. Download de OCR-verwerkte PDF. Controleer of de tekst nu doorzoekbaar is. Stap twee: converteer de OCR-verwerkte PDF naar Word of platte tekst. Bij de conversie wordt de herkende tekst geëxtraheerd en in een bewerkbaar document geplaatst. Het resulterende Word-bestand bevat de documenttekst, klaar voor bewerking, opmaak en hergebruik.
WukongPDF OCR-tools voegen doorzoekbare tekstlagen toe. De PDF Converter van OCR-verwerkte PDF naar Word produceert bewerkbare tekst van originelen met alleen afbeeldingen.
OCR-nauwkeurigheid beheren voor PDF's met alleen afbeeldingen
De OCR-nauwkeurigheid is afhankelijk van de beeldkwaliteit. Een schone 300 DPI-scan van afgedrukte tekst zorgt voor een vrijwel perfecte herkenning. Een scan met een lage resolutie of een foto van een document levert meer fouten op. Test één pagina voordat u een grote PDF met alleen afbeeldingen converteert. Voer OCR uit op de pagina en bekijk de uitvoer. Als de nauwkeurigheid acceptabel is, verwerk dan het hele document. Als de nauwkeurigheid slecht is, verbetert u de scankwaliteit en verwerkt u deze opnieuw.
De Gescande PDF die met OCR is bewerkt en naar tekst is geconverteerd, is doorzoekbaar, bewerkbaar en herbruikbaar. Het origineel met alleen afbeeldingen diende zijn doel. De doorzoekbare versie dient zijn toekomst.
Kiezen tussen doorzoekbare PDF en volledige tekstconversie
Een doorzoekbare PDF behoudt de originele paginaafbeeldingen met een toegevoegde tekstlaag. De visuele uitstraling is onveranderd. Het document is doorzoekbaar, maar niet bewerkbaar. Dit is geschikt voor archief- en referentiedocumenten. Volledige tekstconversie naar Word vervangt de paginaafbeeldingen door bewerkbare tekst. Het visuele uiterlijk verandert. Het document is zowel doorzoekbaar als bewerkbaar. Dit is geschikt voor documenten waarvan de inhoud hergebruikt zal worden.
De conversie van PDF naar Word van OCR-uitvoer is de weg naar bewerkbaarheid. De doorzoekbare PDF is de weg naar doorzoekbaarheid. Kies het uitvoerformaat dat overeenkomt met de manier waarop het document zal worden gebruikt.
De originele paginaafbeeldingen in de uitvoer behouden
Voor sommige workflows zijn zowel de originele pagina-afbeeldingen als de doorzoekbare tekst vereist. De uitvoer moet er uitzien als de originele scan, terwijl deze doorzoekbaar is. Dit is het standaardgedrag van OCR-tools die een tekstlaag achter de afbeeldingen toevoegen. De visuele uitstraling is onveranderd. De tekstfunctionaliteit is toegevoegd.
De Gescande PDF met OCR-tekstlaag behoudt zowel het oorspronkelijke uiterlijk als de doorzoekbaarheid. Het document dient zowel visuele als functionele doeleinden.
OCR-taalinstellingen kiezen voor meertalige PDF's met alleen afbeeldingen
Als de PDF met alleen afbeeldingen meerdere talen bevat, selecteert u alle toepasselijke talen in de OCR-instellingen. Een instelling die alleen Engels is, verminkt niet-Engelse tekst. Een meertalige instelling past het juiste herkenningsmodel toe op elk tekstgebied. De taalselectie heeft rechtstreeks invloed op de nauwkeurigheid van de OCR.
De taalinstelling OCR PDF voor meertalige PDF's met alleen afbeeldingen moet elke taal omvatten die in het document voorkomt. Het ontbreken van een taal levert onleesbare uitvoer op voor de tekst in die taal.
OCR-nauwkeurigheid vergelijken tussen meerdere motoren
Verschillende OCR-engines produceren verschillende resultaten op dezelfde PDF met alleen afbeeldingen. Voor kritieke documenten voert u hetzelfde bestand door twee verschillende OCR-engines en vergelijkt u de uitvoer. Gebruik het nauwkeurigere resultaat. De vergelijking kost extra tijd, maar levert de best mogelijke tekstkwaliteit op.
De dubbele engine-aanpak OCR PDF is geschikt voor documenten waarbij tekstnauwkeurigheid van cruciaal belang is. De vergelijking identificeert welke engine beter omgaat met de specifieke documentkenmerken.
Metagegevens toevoegen aan de doorzoekbare uitvoer
Na het converteren naar doorzoekbare tekst voegt u metagegevens toe aan het uitvoerbestand. Titel, auteur, onderwerp en trefwoorden zorgen ervoor dat het document vindbaar is in zoeksystemen. De metadata moeten de documentinhoud beschrijven, niet het conversieproces. De originele PDF met alleen afbeeldingen had minimale metagegevens. De doorzoekbare versie moet volledig worden beschreven.
De metadataverrijking van Gescande PDF is de laatste stap in de conversieworkflow. Een doorzoekbaar document met goede metadata is zowel vindbaar als bruikbaar.
Een hybride uitvoer creëren met doorzoekbare tekst en originele afbeeldingen
Maak voor archiveringsdoeleinden een hybride PDF die zowel de originele pagina-afbeeldingen als de doorzoekbare tekstlaag bevat. Het document ziet er precies zo uit als de originele scan. De tekstlaag maakt zoeken en selecteren mogelijk zonder de visuele weergave te veranderen. Dit is de standaarduitvoer van OCR-verwerking en is het beste formaat voor documenten die hun oorspronkelijke uiterlijk moeten behouden.
De hybride uitvoer Gescande PDF zorgt voor zowel behoud als bruikbaarheid. De afbeeldingen behouden het origineel. De tekst maakt moderne documentfunctionaliteit mogelijk.
Doorzoekbare tekst terug naar PDF converteren voor distributie
Nadat u de geëxtraheerde tekst in Word hebt bewerkt, converteert u deze terug naar PDF voor distributie. De nieuwe PDF is volledig digitaal, zonder beeldartefacten. Het is kleiner, overzichtelijker en toegankelijker dan het originele bestand met alleen afbeeldingen. De conversie terug naar PDF voltooit de transformatie van alleen afbeeldingen naar volledig digitaal.
De PDF Converter-retour van alleen afbeeldingen naar bewerkbare tekst naar schone digitale PDF is een workflow voor documentmodernisering. De inhoud blijft behouden. Het formaat is geüpgraded.