200-stronicowy zeskanowany plik PDF zawiera różne typy stron. Pierwsze 150 stron to czysty, wydrukowany tekst, który wymaga OCR. Następne 30 stron to fotografie i diagramy, które nie zawierają rozpoznawalnego tekstu. Ostatnie 20 stron to formularze z odręcznymi wpisami, które również wymagają OCR. Uruchamianie OCR całego dokumentu marnuje czas przetwarzania na stronach niezawierających tekstu i może powodować zniekształcenie wydruków na stronach ze zdjęciami, gdy silnik OCR próbuje znaleźć znaki w treści obrazu. Uruchamianie OCR wybiórczo tylko na stronach, które tego wymagają, jest bardziej wydajne i zapewnia czystsze wydruki.
Selektywny OCR, czasami nazywany OCR strony lub zakresu stron, przetwarza tylko określone strony. Wykluczone strony pozostają niezmienione. Uwzględnione strony otrzymają warstwę tekstową z możliwością przeszukiwania. Mieszany dokument zachowuje swoją oryginalną treść na wszystkich stronach, a możliwość wyszukiwania tekstu jest dodana tylko tam, gdzie jest to potrzebne.
Podejście selektywne OCR PDF jest szczególnie przydatne w przypadku dużych dokumentów, gdzie rozpoznawanie OCR całego dokumentu zajęłoby dużo czasu, a odsetek stron tekstowych jest niewielki. Przetwarzanie 20 stron z 200 jest dziesięć razy szybsze niż przetwarzanie wszystkich 200.
Identyfikowanie, które strony wymagają OCR
Przewiń dokument i określ, które strony zawierają tekst, który powinien umożliwiać przeszukiwanie. Strony tekstowe zawierają widoczne słowa i znaki. Strony ze zdjęciami zawierają obrazy bez tekstu. Strony diagramów zawierają linie, kształty i etykiety, które mogą, ale nie muszą, skorzystać z OCR, w zależności od tego, czy etykiety muszą umożliwiać przeszukiwanie. Utwórz listę zakresów stron wymagających OCR. W przypadku dokumentu zawierającego tekst na stronach od 1 do 150 i od 181 do 200 dostępne są zakresy od 1–150 i 181–200. Strony od 151 do 180 to sekcja zdjęć i diagramów, która nie wymaga OCR.
Jeśli dokument zawiera zakładki lub spis treści, użyj ich, aby szybko zidentyfikować sekcje tekstu. Każda sekcja zawierająca tekst, dodana do zakładek, kwalifikuje się do OCR. Zeskanowany plik PDF z mieszaną zawartością korzysta z tego ukierunkowanego podejścia.
Wykonywanie selektywnego OCR
Prześlij plik PDF do narzędzia OCR działającego w przeglądarce, które obsługuje wybór zakresu stron. Wprowadź zidentyfikowane zakresy stron. Narzędzie przetwarza tylko te strony. Strony tekstowe otrzymują warstwę tekstową z możliwością przeszukiwania. Strony ze zdjęciami i diagramami pozostają bez zmian. Pobierz przetworzony plik. Cały dokument jest nienaruszony. Zmodyfikowano tylko określone strony.
WukongPDF Narzędzia OCR wspomagają wybór strony. Selektywne przetwarzanie OCR PDF oszczędza czas w przypadku dużych dokumentów o mieszanej zawartości i zapewnia czystsze wydruki, unikając OCR na stronach niezawierających tekstu.
Weryfikacja wyników selektywnego OCR
Po przetworzeniu sprawdź wynik OCR na wybranych stronach. Wyszukaj słowa pojawiające się na tych stronach. Potwierdź, że wyszukiwanie je znajdzie. Następnie sprawdź stronę z wykluczonego zakresu. Potwierdź, że wygląda na niezmieniony. Selektywny OCR powinien zmodyfikować tylko określone strony. Szybka weryfikacja na jednej stronie z każdego zakresu potwierdza, że wybór został prawidłowo zastosowany.
Podejście do przetwarzania selektywnego Narzędzia PDF polega na kontroli jakości poprzez ukierunkowaną aplikację. Przetwarzaj tylko to, co wymaga przetworzenia. Resztę pozostaw bez zmian.
Łączenie selektywnego OCR z innym przetwarzaniem specyficznym dla strony
Przetwarzanie selektywne nie ogranicza się do OCR. Kompresję, dostosowanie rozdzielczości i konwersję kolorów można także zastosować do określonych stron. Dokument zawierający kolorowe zdjęcia o wysokiej rozdzielczości i czarno-białe strony tekstowe korzysta z różnych ustawień kompresji dla każdego typu strony. Zdjęcia wymagają umiarkowanej kompresji, aby zachować szczegóły. Strony tekstowe mogą być agresywnie kompresowane.
Zastosuj ustawienia kompresji według typu strony po OCR. Zeskanowany plik PDF z mieszaną zawartością korzysta z przetwarzania specyficznego dla strony we wszystkich operacjach, a nie tylko OCR. Traktuj każdy typ strony zgodnie z jego zawartością.
Dokumentowanie, które strony zostały poddane OCR, do wykorzystania w przyszłości
Jeśli OCR przeprowadzasz tylko na określonych stronach, udokumentuj, które strony zostały przetworzone. Notatka w metadanych dokumentu lub towarzyszący plik tekstowy zawierający listę zakresów stron przetworzonych przez OCR. Jeśli ktoś później przeszuka dokument i znajdzie treść na niektórych stronach, a na innych nie, dokumentacja wyjaśnia dlaczego. Poszukiwania nie powiodły się. Te strony nie zostały poddane OCR.
Dokumentacja OCR PDF pozwala uniknąć nieporozumień co do tego, dlaczego niektóre strony można przeszukiwać, a inne nie. Dokumentacja zajmuje sekundy i zapewnia przejrzystość każdemu przyszłemu użytkownikowi dokumentu.
Dzielenie dokumentu według typu strony przed OCR
W przypadku dużych dokumentów z wyraźnie oddzielonymi sekcjami tekstowymi i nietekstowymi przed OCR podziel dokument według typu strony. Umieść wszystkie strony tekstowe w jednym pliku, a wszystkie strony nietekstowe w innym. OCR całego pliku tekstowego. Następnie połącz ponownie strony tekstowe OCR z niezmienionymi stronami nietekstowymi. Przepływ pracy polegający na podzieleniu procesu i scaleniu składa się z większej liczby etapów, ale pozwala uniknąć ryzyka błędnej identyfikacji stron podczas selektywnego rozpoznawania OCR.
Podział przepływu pracy OCR PDF jest odpowiedni, gdy sekcje tekstowe i nietekstowe są wyraźnie oddzielone, a dokument jest na tyle duży, że dodatkowe kroki są uzasadnione. W przypadku małych dokumentów bardziej wydajne jest selektywne OCR z zakresami stron.
Ponowne OCRowanie stron, które nie przeszły pomyślnie pierwszego przejścia
Po selektywnym OCR, na jednej z przetwarzanych stron pojawia się znane Ci słowo. Jeśli wyszukiwanie się nie powiedzie, być może OCR nie rozpoznał poprawnie tekstu. Ponownie wykonaj OCR tej konkretnej strony, prawdopodobnie z innymi ustawieniami, takimi jak wyższa rozdzielczość lub inny model językowy. Selektywne podejście umożliwia ukierunkowane ponowne przetwarzanie bez konieczności powtarzania całego dokumentu.
Skanowany plik PDF Ukierunkowane ponowne przetwarzanie uszkodzonych stron jest jedną z zalet selektywnego OCR. Awaria OCR całego dokumentu wymaga ponownego przetworzenia wszystkiego. Selektywna awaria wymaga ponownego przetworzenia tylko tych stron, które tego wymagają.