Je hebt een stapel afdrukken die iemand met een pen heeft gemarkeerd, en je hebt ook verschillende pagina's die je rechtstreeks in Google Documenten hebt geschreven. U moet alles combineren in één PDF-bestand dat er professioneel en consistent uitziet. De gescande pagina's zijn platte foto's van papier. De digitale pagina's bevatten live tekst. Kunnen deze twee fundamenteel verschillende soorten PDF-inhoud samenleven in één document? Het korte antwoord is ja, maar hoe goed ze naast elkaar bestaan, hangt af van hoe je de fusie benadert.
Dit is geen ongebruikelijk scenario. Uit een onderzoek uit 2024 van de Association for Information and Image Management blijkt dat 42% van de organisaties nog steeds regelmatig een mix van gescande en digitaal gemaakte documenten verwerkt in hun dagelijkse workflows (AIIM, "State of Intelligent Information Management", 2024). Hybride PDF's, documenten die zowel gescande afbeeldingspagina's als 'born-digital' tekstpagina's bevatten, zijn niet meer weg te denken uit advocatenkantoren, accountantskantoren, makelaarskantoren en academische afdelingen.
Wat gescande pagina's en digitale pagina's anders maakt binnen een PDF
Om te begrijpen waarom het samenvoegen van gescande en digitale pagina's enige zorg vergt, helpt het om te weten wat elk type pagina feitelijk bevat op bestandsniveau. Op een digitale pagina worden individuele teksttekens opgeslagen, elk met een precieze positie, een lettertypereferentie en een Unicode-waarde. Zoekfuncties kunnen deze tekens direct lezen. Op een gescande pagina wordt één gecomprimeerde afbeelding opgeslagen, vaak in JPEG- of JPEG2000-indeling, die een rechthoekig gebied in beslag neemt dat gelijk is aan de afmetingen van de pagina. Het bestand weet niets over wat die afbeelding weergeeft. Het kan tekst, een foto of een tekening zijn, en de pdf maakt geen onderscheid.
Dit verschil heeft praktische consequenties. In een samengevoegde hybride PDF zijn sommige pagina's doorzoekbaar en andere niet. Sommige pagina's hebben selecteerbare tekst en andere zullen zich gedragen als foto's. De bestandsgrootte per pagina zal ook dramatisch variëren. Een digitaal gemaakte pagina met platte tekst kan 30 tot 50 KB in beslag nemen. Een kleurenscan van 300 DPI van dezelfde inhoud kan 500 KB tot 2 MB in beslag nemen. Een hybride document van 20 pagina's kan gemakkelijk variëren van 2 MB voor een grotendeels digitaal bestand tot 30 MB voor een grotendeels gescand bestand. Deze variatie is van belang wanneer u het document e-mailt of uploadt naar een portal met beperkte bestandsgrootte.
Gescande en digitale pagina's samenvoegen en alles overzichtelijk houden
Het daadwerkelijke proces van het combineren van gescande en digitale PDF-pagina's verschilt niet van het samenvoegen van andere sets PDF-bestanden. Elke tool Merge PDF kan de klus klaren. Met de samenvoegtool van WukongPDF kunt u bestanden in willekeurige volgorde uploaden, slepen om pagina's opnieuw in te delen en één gecombineerde PDF downloaden. Het maakt de tool niet uit of elke bronpagina afkomstig is van een scanner of een tekstverwerker. Het behandelt alle invoerpagina's gelijk en voegt ze samen in de volgorde die u opgeeft.
De belangrijkste overweging is wat er na de fusie gebeurt. Als u wilt dat het uiteindelijke document volledig doorzoekbaar is, moeten de gescande pagina's een OCR-stap doorlopen, vóór of na het samenvoegen. Als u OCR uitvoert vóór het samenvoegen, heeft u meer controle, omdat u de tekstkwaliteit van elk gescand bestand afzonderlijk kunt verifiëren. OCR uitvoeren na het samenvoegen is handiger omdat u het hele document in één keer verwerkt. Beide benaderingen werken. De keuze hangt af van de vraag of u de OCR-instellingen voor verschillende brondocumenten verschillend moet afstemmen.
Consistentie van paginagrootte is een ander detail dat de moeite waard is om te controleren. Gescande pagina's hebben vaak standaard de fysieke afmetingen van het papier op het scannerbed, meestal US Letter (8,5 x 11 inch). Digitale pagina's kunnen zijn gemaakt op A4 (8,27 x 11,69 inch) of op de aangepaste afmetingen die de oorspronkelijke toepassing gebruikte. Wanneer pagina's met enigszins verschillende formaten in dezelfde PDF verschijnen, gaan de meeste kijkers netjes om met de variatie door elke pagina aan te passen zodat deze in het weergavevenster past. Maar de visuele overgang tussen enigszins verschillende paginaformaten kan schokkend zijn tijdens het scrollen. Als consistentie van belang is voor uw gebruiksscenario, overweeg dan om tijdens het samenvoegproces alle pagina's te standaardiseren naar één formaat.
Wanneer hybride PDF's zinvol zijn, en wanneer niet
Hybride PDF's zijn in veel voorkomende situaties een praktische oplossing. Juridische professionals combineren routinematig digitaal opgestelde contracten met gescande bewijsstukken en bewijsstukken. Makelaars voegen digitaal gemaakte aanbiedingen samen met gescande inspectierapporten en meldingsformulieren. Accountants bundelen computergegenereerde financiële overzichten met gescande bonnen en facturen. In elk van deze gevallen voldoet de hybride PDF aan zijn doel: er wordt één overzichtelijk bestand gemaakt dat iemand van begin tot eind kan openen, doorbladeren en bekijken.
Er zijn echter situaties waarin een hybride PDF tekortschiet. Als de ontvanger in het hele document naar tekst moet zoeken, zijn de gescande pagina's onzichtbaar voor de zoekfunctie, tenzij ze via OCR zijn verwerkt. Als de ontvanger tekst van een willekeurige pagina moet kopiëren en plakken, zullen de gescande pagina's de test niet doorstaan. Als het document wordt ingediend bij een systeem dat geautomatiseerde tekstextractie of volledige tekstindexering uitvoert, zoals een e-filingsysteem van de rechtbank of een documentbeheerplatform, zullen niet-gescande pagina's in die systemen blanco of met fouten gevulde resultaten opleveren.
Voor deze scenario's met hogere inzet is het uitvoeren van OCR op elke gescande pagina vóór het samenvoegen niet optioneel, maar essentieel. Een volledig doorzoekbare hybride PDF functioneert vrijwel niet te onderscheiden van een volledig digitale PDF. Het enige resterende verschil is dat de tekst van gescande pagina's niet opnieuw wordt weergegeven wanneer wordt ingezoomd, terwijl digitale pagina's dat wel kunnen, afhankelijk van hoe ze zijn gemaakt. Voor de meeste praktische doeleinden biedt een goed uitgevoerde hybride PDF met OCR op elke gescande pagina dezelfde gebruikerservaring als een puur digitaal document.
Bestandsgrootte beheren bij het combineren van gescande en digitale inhoud
Bestandsgrootte is vaak het eerste wat mensen opmerken aan een hybride PDF, en niet in positieve zin. Een document van 10 pagina's waarvan 3 pagina's 300 DPI kleurenscans en 7 gewone digitale tekst zijn, kan gemakkelijk groter zijn dan 10 MB. Als dat document per e-mail moet worden verzonden, hanteren veel e-mailservers een bijlagelimiet van 25 MB, en ontvangers van mobiele dataverbindingen zullen het niet op prijs stellen om een bestand te downloaden dat zo groot is en inhoud bevat die maar een fractie van de grootte had kunnen zijn.
Verschillende technieken kunnen de bestandsgrootte van een hybride PDF onder controle brengen. Scannen in zwart-wit of grijstinten in plaats van kleur vermindert de bestandsgrootte per pagina met ongeveer 60% tot 80% voor documenten met veel tekst. Door de scanresolutie te verlagen van 300 DPI naar 200 DPI wordt de bestandsgrootte ongeveer gehalveerd, terwijl er nog steeds voldoende details beschikbaar zijn voor leesbare tekst en acceptabele OCR-resultaten. Het toepassen van compressie op de samengevoegde PDF als laatste stap kan de totale grootte verder verkleinen. Gescande PDF-pagina's profiteren vooral van compressie omdat gescande afbeeldingen vaak veel meer pixelgegevens bevatten dan nodig is voor weergave of afdrukken op het scherm. De compressietool van WukongPDF kan een hybride PDF met 50% tot 70% verkleinen zonder zichtbaar kwaliteitsverlies, wat het verschil maakt tussen een bestand dat terugkomt van een e-mailserver en een bestand dat erdoorheen vaart.
Stap voor stap: een schone hybride PDF maken
Een consistente aanpak bij het maken van hybride PDF's levert betere resultaten op dan elke keer improviseren. Begin met het scannen van alle fysieke pagina's met 300 DPI in grijstinten, tenzij kleur specifiek vereist is. Bewaar ze als afzonderlijke PDF-bestanden, niet als één gecombineerde scan. Open vervolgens elk gescand bestand en controleer of de pagina's recht en leesbaar zijn. Voer OCR uit op de gescande bestanden als u wilt dat het definitieve document doorzoekbaar is.
Verzamel uw digitale pagina's. Als ze over meerdere bestanden verspreid zijn, voeg ze dan eerst samen. Nu zou u twee schone sets moeten hebben: één batch gescande PDF's en één batch digitale PDF's. Gebruik een samenvoegtool om ze in de juiste volgorde te combineren. Een browsergebaseerde samenvoeginterface toont alle geüploade pagina's als miniaturen die u naar hun positie kunt slepen, zodat het op volgorde rangschikken van gescande en digitale pagina's snel en visueel is.
Voer na het samenvoegen een snelle kwaliteitscontrole uit. Blader door elke pagina. Zoek naar pagina's die geroteerd lijken, pagina's waar de scan een deel van de inhoud heeft afgesneden en pagina's waar de tekst zo vaag is dat deze moeilijk te lezen is. Los eventuele problemen bij de bron op en voeg indien nodig opnieuw samen. Voer een Ctrl+F-zoektest uit op een paar woorden waarvan u weet dat ze op gescande pagina's voorkomen. Als de zoekopdracht ze vindt, werkt OCR correct. Als dit niet het geval is, moeten de gescande pagina's nog een keer door OCR gaan voordat het document klaar is om te delen.
Controleer ten slotte de bestandsgrootte. Als het document bestemd is voor e-mail, zorg er dan voor dat het kleiner is dan 10 MB. Als de waarde groter is, voer dan een compressiestap uit en controleer opnieuw. De paar extra minuten die u aan deze verificatiestappen besteedt, zijn veel minder pijnlijk dan wanneer een cliënt, collega of griffier u vertelt dat het document dat u heeft verzonden, onbruikbaar is.