Plik PDF złożony z wielu źródeł często zawiera mieszankę zeskanowanych stron obrazów i cyfrowo utworzonych stron tekstowych. Pierwsze dziesięć stron to wyraźny cyfrowy tekst z eksportu raportu. Następne pięć to zeskanowane obrazy odręcznych notatek. Dodatek jest mieszanką obu. Ten hybrydowy dokument stwarza wyzwania związane z przetwarzaniem: OCR działa tylko na zeskanowanych stronach, ustawienia kompresji odpowiednie dla tekstu cyfrowego są nieprawidłowe w przypadku zeskanowanych obrazów, a narzędzia wyszukiwania znajdują treść tylko na niektórych stronach, ale nie na innych.
Dobra obsługa mieszanych plików PDF oznacza odpowiednie traktowanie każdego typu strony bez dzielenia dokumentu na osobne pliki. W tym przewodniku opisano, jak określić, które strony wymagają odpowiedniej obróbki, jak selektywnie wykonywać operacje i jak uzyskać ujednolicony wynik, który będzie można przeszukiwać, ma rozsądny rozmiar i ma spójny wygląd.
Według analizy przeprowadzonej w 2024 r. przez firmę M-Files zajmującą się zarządzaniem dokumentami, mieszane zeskanowane i cyfrowe pliki PDF stanowią około 22 procent wszystkich plików PDF w repozytoriach dokumentów korporacyjnych (M-Files, „Enterprise Document Composition Analysis”, 2024). Format hybrydowy jest powszechny, ponieważ dokumenty są gromadzone z różnych źródeł. Wyzwanie związane z przetwarzaniem jest standardowe.
Identyfikowanie, które strony są które
Najszybszym sposobem identyfikacji zeskanowanych stron jest zaznaczenie tekstu. Otwórz plik PDF i przeciągnij kursor po tekście na stronie. Jeśli tekst jest podświetlony i można go skopiować, oznacza to, że strona jest cyfrowa. Jeśli nie możesz wybrać pojedynczych słów, a kursor wybierze całą stronę jako obraz, strona zostanie zeskanowana. Przeglądaj dokument strona po stronie i zanotuj, które strony są skanowane. W przypadku typowego dokumentu zajmuje to minutę i pozwala dokładnie określić, które strony wymagają OCR.
W przypadku dokumentów zawierających wiele stron szybszą metodą jest wyszukiwanie typowego słowa, takiego jak lub i. Wyniki wyszukiwania będą pasować tylko na stronach cyfrowych. Strony bez dopasowań to strony zeskanowane. Krok identyfikacji Zeskanowany plik PDF jest niezbędny, ponieważ zastosowanie nieprawidłowego przetwarzania do typu strony daje złe wyniki. Zbyt duża kompresja zeskanowanych stron powoduje, że tekst staje się nieczytelny. Brak OCR sprawia, że treść staje się niewidoczna przy wyszukiwaniu.
Selektywny OCR: przetwarzanie tylko zeskanowanych stron
Uruchamianie OCR na stronach cyfrowych jest marnotrawstwem i może w rzeczywistości obniżyć jakość poprzez dodanie drugiej warstwy tekstowej, która może kolidować z oryginałem. Właściwym podejściem jest uruchomienie OCR tylko na zeskanowanych stronach, pozostawiając strony cyfrowe nietknięte. Niektóre narzędzia OCR oparte na przeglądarce obsługują wybór stron, umożliwiając określenie zakresu stron lub wybranie poszczególnych stron do przetwarzania OCR.
Jeśli Twoje narzędzie nie obsługuje selektywnego OCR, podziel plik PDF na zeskanowane i cyfrowe sekcje, OCR tylko zeskanowane sekcje, a następnie połącz wszystko z powrotem. Dodatkowe etapy dzielenia i łączenia wydłużają przepływ pracy o kilka minut, ale dają lepszy wynik niż bezkrytyczne uruchamianie OCR. Narzędzia OCR PDF WukongPDF i funkcja łączenia obsługują to selektywne podejście.
Strategie kompresji dla dokumentów mieszanych
Pojedyncze ustawienie kompresji zastosowane do mieszanego dokumentu daje nierówne rezultaty. Ustawienie odpowiednie dla zeskanowanych obrazów, zwykle umiarkowana kompresja w celu zachowania czytelności tekstu, jest zbyt konserwatywne w przypadku cyfrowych stron tekstowych, które można kompresować bardziej agresywnie bez widocznej utraty jakości. Ustawienie odpowiednie dla tekstu cyfrowego powoduje, że zeskanowane strony stają się nieczytelne.
Rozwiązaniem jest ta sama strategia podziału procesów i łączenia: oddziel sekcje zeskanowaną i cyfrową, skompresuj każdą z ustawieniami odpowiednimi dla jej typu zawartości i połącz ponownie. Przepływ pracy w Narzędzia PDF w przypadku dokumentów mieszanych obejmuje więcej etapów niż przetwarzanie jednolitego dokumentu, ale jakość wydruku uzasadnia dodatkowy wysiłek. Dokument mieszany przetwarzany przy jednolitych ustawieniach będzie miał albo rozdęte strony cyfrowe, albo zeskanowane strony będą nieczytelne.
Kiedy się poddać i trzymać je oddzielnie
W przypadku niektórych dokumentów mieszanych metoda podziału procesu i łączenia daje wynik, który jest technicznie poprawny, ale wizualnie niespójny. Zeskanowane strony i strony cyfrowe przetworzone w inny sposób będą wyglądać inaczej w dokumencie końcowym. Jeśli spójność wizualna jest dla Ciebie ważniejsza niż pojedynczy plik, zachowaj zeskanowaną i cyfrową część jako osobne pliki PDF. Odbiorca otrzymuje dwa pliki, z których każdy wygląda spójnie, a nie jeden plik, który wygląda na niedopasowany. Decyzja Narzędzia PDF ma charakter praktyczny, a nie dogmatyczny.