Zeskanowanie dokumentu i zapisanie go jako PDF wydaje się być rozwiązanym problemem. Wkładasz papier, wyciągasz plik, który wygląda jak normalny PDF. Zadanie wykonane. Tyle że tak nie jest – naprawdę. Zeskanowany plik PDF wygląda jak dokument, ale zachowuje się jak fotografia, a to rozróżnienie stwarza zaskakującą liczbę praktycznych problemów, które zaskakują ludzi, którzy faktycznie próbują pracować z plikiem.
Podstawowe nieporozumienie: wygląda jak tekst, ale nim nie jest
Kiedy czytasz zeskanowany dokument na ekranie, Twój mózg widzi tekst — słowa, zdania, akapity. Ale przeglądarka PDF pokazuje obraz tekstu, a nie sam tekst. Każda litera to zbiór pikseli, które wyglądają jak litera. Nie ma żadnych podstawowych danych znakowych, żadnej treści, którą można przeszukiwać, ani żadnej struktury, którą komputer mógłby zinterpretować.
Szybki sposób, aby to potwierdzić: kliknij i przeciągnij, aby zaznaczyć słowo w dokumencie. W formacie tekstowym PDF kursor się zmienia i możesz wyróżniać poszczególne słowa. Na zeskanowanym pliku PDF nic się nie dzieje — lub cała strona jest zaznaczana jako pojedynczy blok obrazu. Ta różnica jest podstawową przyczyną większości następujących problemów.
Nie możesz w nim przeszukiwać
Naciśnij Ctrl+F w zeskanowanym pliku PDF, a wyszukiwanie nic nie znajdzie — lub przeszukuje nazwę pliku, a nie treść. W przypadku dwustronicowego formularza jest to niewielka niedogodność. W przypadku 200-stronicowej umowy, 500-stronicowej instrukcji, czy archiwum faktur z dziesięciu lat, brak możliwości wyszukiwania jest poważnym ograniczeniem. Aby znaleźć to, czego szukasz, musisz ręcznie przeczytać cały dokument.
Można to naprawić. Uruchomienie zeskanowanego pliku PDF za pomocą narzędzia OCR PDF powoduje konwersję zawartości obrazu na prawdziwy tekst i osadzenie go w pliku. Po OCR dokument można w pełni przeszukiwać — Ctrl+F znajduje słowa, a plik pojawia się w wyszukiwaniu systemu operacyjnego według jego zawartości, a nie tylko nazwy pliku. Narzędzie OCR WukongPDF pod adresem www.wukongpdf.com radzi sobie z tym w jednym kroku.
Kopiowanie tekstu nie daje nic przydatnego
Chcesz przenieść klauzulę ze zeskanowanej umowy do wiadomości e-mail? A może wyodrębnić tabelę liczbową ze zeskanowanego raportu do arkusza kalkulacyjnego? W przypadku tekstowego pliku PDF wybierasz i kopiujesz. W przypadku zeskanowanego pliku PDF albo nic nie otrzymasz, albo otrzymasz podstawowy OCR, który Twoja przeglądarka PDF uruchamia w locie — co często jest na tyle niedokładne, że wymaga znacznej korekty.
Ludzie obchodzą ten problem, wpisując ponownie treść ręcznie, co jest powolne i wprowadza błędy. Albo robią zrzuty ekranu tekstu i próbują je odczytać, co jest niezręczne. Uruchomienie odpowiedniego OCR na dokumencie eliminuje to wszystko — gdy tekst jest prawdziwy, kopiowanie działa dokładnie zgodnie z oczekiwaniami.
Zeskanowane pliki PDF są nieproporcjonalnie duże
Dziesięciostronicowy dokument tekstowy wyeksportowany z programu Word może mieć rozmiar 200 KB. Te same dziesięć stron zeskanowanych w rozdzielczości 300 DPI może mieć rozmiar 15 MB. To nie jest literówka — zeskanowane pliki PDF przechowują każdą stronę jako obraz o wysokiej rozdzielczości, a dane obrazu są z natury znacznie obszerniejsze niż zakodowany tekst.
Stwarza to problemy praktyczne: limity załączników do wiadomości e-mail, powolne przesyłanie do portali, koszty przechowywania na dużą skalę. Rozwiązaniem jest kompresja — dobre narzędzie PDF Kompresja znacznie zmniejsza zeskanowane pliki PDF, często o 60–80%, zachowując jednocześnie czytelność obrazów. W przypadku dużych archiwów zeskanowanych dokumentów warto systematycznie przeprowadzać kompresję przed zapisaniem.
Są niedostępne dla czytników ekranu
Czytniki ekranu — oprogramowanie używane przez osoby z wadami wzroku do głośnego czytania dokumentów — działają poprzez odczytywanie zawartości tekstowej pliku. Zeskanowany plik PDF nie zawiera treści tekstowej, którą czytnik ekranu mógłby znaleźć. Cały dokument jest dla niego niewidoczny. To sprawia, że zeskanowane pliki PDF stanowią poważny problem z dostępnością w każdym kontekście, w którym dokumenty muszą być dostępne dla osób z wadami wzroku.
W kontekście zawodowym i w sektorze publicznym nie jest to tylko kwestia grzecznościowa — wymogi zgodności w zakresie dostępności w wielu jurysdykcjach mają zastosowanie do dokumentów cyfrowych, a plik PDF zawierający wyłącznie obrazy nie spełnia tych wymagań. OCR również jest rozwiązaniem technicznym: gdy tekst jest prawdziwy, czytniki ekranu mogą z nim pracować.
Naprawa jest prostsza niż brzmi problem
Wszystkie te problemy — treść, której nie można przeszukać, tekst, którego nie można skopiować, pliki o dużych rozmiarach, problemy z dostępnością — mają tę samą pierwotną przyczynę i w dużej mierze to samo rozwiązanie. Uruchom zeskanowany plik PDF za pomocą OCR, aby tekst stał się prawdziwy, a następnie skompresuj go, aby zmniejszyć rozmiar pliku. Dwa kroki, a dokument zachowuje się jak prawdziwy PDF, a nie zamaskowana fotografia. W przypadku dokumentów, z którymi będziesz musiał pracować więcej niż raz, warto to zrobić, zanim trafią do magazynu, a nie po tym, jak już zmarnowałeś czas na obejścia.