Een PDF die uit meerdere bronnen is samengesteld, bevat vaak een mix van gescande afbeeldingspagina's en digitaal gemaakte tekstpagina's. De eerste tien pagina's zijn scherpe digitale tekst uit een rapportexport. De volgende vijf zijn gescande afbeeldingen van handgeschreven notities. De bijlage is een mix van beide. Dit hybride document zorgt voor verwerkingsproblemen: OCR werkt alleen op de gescande pagina's, compressie-instellingen die goed zijn voor digitale tekst zijn verkeerd voor gescande afbeeldingen, en zoekhulpmiddelen vinden inhoud op sommige pagina's maar niet op andere.
Goed omgaan met gemengde PDF's betekent dat elk paginatype op de juiste manier wordt behandeld zonder het document in afzonderlijke bestanden te splitsen. In deze handleiding wordt beschreven hoe u kunt identificeren welke pagina's welke behandeling nodig hebben, hoe u bewerkingen selectief kunt toepassen en hoe u een uniforme uitvoer kunt produceren die doorzoekbaar, redelijk groot en consistent van uiterlijk is.
Volgens een analyse uit 2024 van documentbeheerbedrijf M-Files zijn gemengde gescande en digitale PDF's goed voor ongeveer 22 procent van alle PDF's in bedrijfsdocumentopslagplaatsen (M-Files, "Enterprise Document Composition Analysis", 2024). Het hybride formaat is gebruikelijk omdat documenten uit verschillende bronnen zijn samengesteld. De verwerkingsuitdaging is standaard.
Identificeren welke pagina's welke zijn
De snelste manier om gescande pagina's te identificeren is door tekst te selecteren. Open de PDF en sleep uw cursor over de tekst op een pagina. Als de tekst gemarkeerd is en u deze kunt kopiëren, is de pagina digitaal. Als u geen afzonderlijke woorden kunt selecteren en de cursor de hele pagina als afbeelding selecteert, wordt de pagina gescand. Blader pagina voor pagina door het document en noteer welke pagina's worden gescand. Dit duurt een minuut voor een typisch document en vertelt u precies welke pagina's OCR nodig hebben.
Voor documenten met veel pagina's is een snellere methode het zoeken naar een veelvoorkomend woord, zoals de of en. De zoekresultaten komen alleen overeen op digitale pagina's. De pagina's zonder overeenkomsten zijn de gescande pagina's. De identificatiestap Gescande PDF is essentieel omdat het toepassen van de verkeerde verwerking op een paginatype slechte resultaten oplevert. Als u gescande pagina's te agressief comprimeert, wordt de tekst onleesbaar. Als u ze niet OCRt, wordt de inhoud onzichtbaar voor zoeken.
Selectieve OCR: alleen de gescande pagina's worden verwerkt
Het uitvoeren van OCR op digitale pagina's is verspillend en kan de kwaliteit zelfs verminderen door een tweede tekstlaag toe te voegen die in conflict kan komen met het origineel. De juiste aanpak is om OCR alleen op de gescande pagina's uit te voeren en de digitale pagina's onaangeroerd te laten. Sommige browsergebaseerde OCR-tools ondersteunen paginaselectie, waardoor u een paginabereik kunt opgeven of afzonderlijke pagina's kunt selecteren voor OCR-verwerking.
Als uw tool geen selectieve OCR ondersteunt, splitst u de PDF op in gescande en digitale secties, OCR alleen de gescande secties en voegt u alles weer samen. De extra stappen voor splitsen en samenvoegen voegen een paar minuten toe aan de workflow, maar leveren een beter resultaat op dan het zonder onderscheid uitvoeren van OCR. De OCR PDF-tools en de samenvoegfunctionaliteit van WukongPDF ondersteunen deze selectieve aanpak.
Compressiestrategieën voor gemengde documenten
Eén enkele compressie-instelling die op een gemengd document wordt toegepast, levert ongelijkmatige resultaten op. De juiste instelling voor gescande afbeeldingen, doorgaans gematigde compressie om de leesbaarheid van de tekst te behouden, is te conservatief voor digitale tekstpagina's, die agressiever kunnen worden gecomprimeerd zonder zichtbaar kwaliteitsverlies. De juiste instelling voor digitale tekst maakt gescande pagina's onleesbaar.
De oplossing is dezelfde strategie van split-proces-samenvoegen: scheid de gescande en digitale secties, comprimeer ze allemaal met instellingen die geschikt zijn voor het inhoudstype, en combineer ze opnieuw. De workflow PDF Tools voor gemengde documenten omvat meer stappen dan het verwerken van een uniform document, maar de uitvoerkwaliteit rechtvaardigt de extra inspanning. Een gemengd document dat met uniforme instellingen wordt verwerkt, bevat opgeblazen digitale pagina's of onleesbare gescande pagina's.
Wanneer moet je het opgeven en gescheiden houden?
Voor sommige gemengde documenten levert de aanpak van splitsen, proces en samenvoegen een resultaat op dat technisch correct is, maar visueel inconsistent. Gescande pagina's en anders verwerkte digitale pagina's zullen er in het uiteindelijke document anders uitzien. Als visuele consistentie belangrijker is dan het hebben van één enkel bestand, bewaar de gescande en digitale secties dan als afzonderlijke PDF's. De ontvanger ontvangt twee bestanden die er allemaal consistent uitzien, in plaats van één bestand dat er niet bij past. Het besluit PDF Tools is praktisch en niet dogmatisch.