Een document scannen en opslaan als PDF voelt als een opgelost probleem. Je stopt het papier erin, je haalt er een bestand uit, het ziet eruit als een normale PDF. Klus gedaan. Maar dat is het niet – niet echt. Een gescande PDF ziet eruit als een document, maar gedraagt zich als een foto, en dat onderscheid zorgt voor een verrassend aantal praktische problemen die mensen overrompelen als ze daadwerkelijk met het bestand proberen te werken.
Het belangrijkste misverstand: het lijkt op tekst, maar dat is het niet
Wanneer u een gescand document op het scherm leest, zien uw hersenen tekst: woorden, zinnen, alinea's. Maar de PDF-viewer toont u een afbeelding van tekst, niet de tekst zelf. Elke letter is een verzameling pixels die op een letter lijkt. Er zijn geen onderliggende karaktergegevens, geen doorzoekbare inhoud, geen structuur die de computer kan interpreteren.
Een snelle manier om dit te bevestigen: probeer te klikken en te slepen om een woord in het document te selecteren. Op een op tekst gebaseerde PDF verandert de cursor en kunt u afzonderlijke woorden markeren. Op een gescande PDF gebeurt er niets, of de hele pagina wordt geselecteerd als één afbeeldingsblok. Dat verschil is de oorzaak van de meeste problemen die volgen.
Je kunt er niet in zoeken
Druk op Ctrl+F in een gescande PDF en de zoekopdracht vindt niets – of er wordt gezocht op de bestandsnaam, niet op de inhoud. Voor een formulier van twee pagina's is dit een klein ongemak. Voor een contract van 200 pagina's, een handleiding van 500 pagina's of een archief van tien jaar aan facturen is het onvermogen om te zoeken een ernstige beperking. U moet het hele document handmatig doorlezen om te vinden wat u zoekt.
Dit is te repareren. Als u een gescande PDF via een OCR PDF-tool uitvoert, wordt de afbeeldingsinhoud geconverteerd naar echte tekst en wordt deze in het bestand ingesloten. Na OCR is het document volledig doorzoekbaar: Ctrl+F vindt woorden, en het bestand verschijnt in zoekopdrachten van het besturingssysteem op basis van de inhoud, en niet alleen op basis van de bestandsnaam. De OCR-tool van WukongPDF op www.wukongpdf.com regelt dit in één stap.
Tekst kopiëren levert niets nuttigs op
Wilt u een clausule uit een gescand contract in een e-mail zetten? Of een tabel met cijfers uit een gescand rapport omzetten in een spreadsheet? Met een op tekst gebaseerde PDF selecteert en kopieert u. Met een gescande PDF krijgt u ofwel niets, ofwel krijgt u de rudimentaire OCR die uw PDF-viewer on-the-fly uitvoert - wat vaak onnauwkeurig genoeg is om aanzienlijke correcties te vereisen.
Mensen kunnen dit omzeilen door de inhoud handmatig opnieuw te typen, wat traag is en fouten met zich meebrengt. Of ze maken schermafbeeldingen van de tekst en proberen daaruit voor te lezen, wat lastig is. Door een goede OCR op het document uit te voeren, wordt dit allemaal eerst geëlimineerd: zodra de tekst echt is, werkt het kopiëren ervan precies zoals verwacht.
Gescande PDFs zijn onevenredig groot
Een tekstdocument van tien pagina's dat uit Word wordt geëxporteerd, kan 200 KB groot zijn. Dezelfde tien pagina's die met 300 DPI zijn gescand, kunnen 15 MB groot zijn. Dat is geen typefout: gescande PDFs slaan elke pagina op als een afbeelding met een hoge resolutie, en afbeeldingsgegevens zijn inherent veel zwaarder dan gecodeerde tekst.
Dit zorgt voor praktische problemen: limieten voor e-mailbijlagen, langzame uploads naar portals, opslagkosten op grote schaal. De oplossing is compressie: een goede PDF Compressie-tool brengt de gescande PDFs aanzienlijk terug, vaak met 60-80%, terwijl de afbeeldingen leesbaar blijven. Voor grote archieven met gescande documenten is compressie vóór opslag de moeite waard om systematisch uit te voeren.
Ze zijn niet toegankelijk voor schermlezers
Schermlezers – software die door mensen met een visuele beperking wordt gebruikt om documenten hardop voor te lezen – werken door de tekstinhoud van een bestand te lezen. Een gescande PDF bevat geen tekst die door de schermlezer kan worden gevonden. Het hele document is er onzichtbaar voor. Dit maakt gescande PDFs tot een aanzienlijk toegankelijkheidsprobleem in elke context waarin documenten bruikbaar moeten zijn voor mensen met een visuele beperking.
In de professionele context en in de publieke sector is dit niet alleen maar een kwestie van beleefdheid; in veel rechtsgebieden zijn de nalevingsvereisten voor toegankelijkheid van toepassing op digitale documenten, en een PDF met alleen afbeeldingen voldoet niet aan deze vereisten. OCR is ook hier de technische oplossing: zodra de tekst echt is, kunnen schermlezers ermee werken.
De oplossing is eenvoudiger dan het probleem klinkt
Al deze problemen – ondoorzoekbare inhoud, niet-kopieerbare tekst, te grote bestanden, problemen met de toegankelijkheid – hebben dezelfde oorzaak en grotendeels dezelfde oplossing. Voer de gescande PDF uit via OCR om de tekst echt te maken en comprimeer deze vervolgens om de bestandsgrootte te verkleinen. Twee stappen en het document gedraagt zich als een echte PDF in plaats van als een vermomde foto. Voor documenten waarmee u meerdere keren moet werken, is het de moeite waard om dit te doen voordat ze worden opgeslagen, in plaats van nadat u al tijd hebt verspild aan tijdelijke oplossingen.