Plik PDF z możliwością przeszukiwania to taki, w którym tekst jest przechowywany w pliku jako rzeczywiste znaki, a nie jako obraz. Po naciśnięciu klawiszy Ctrl+F i wpisaniu słowa przeglądarka będzie mogła je znaleźć. Po zaznaczeniu tekstu i skopiowaniu go kopiowane są prawdziwe znaki. W przypadku cyfrowo utworzonych plików PDF jest to automatyczne. W przypadku zeskanowanych plików PDF potrzebny jest OCR, aby dodać warstwę tekstową.
Jak sprawdzić, czy PDF można już przeszukiwać
Otwórz plik PDF i spróbuj wybrać słowo, klikając i przeciągając. Jeśli podświetlone zostaną poszczególne słowa i możesz je skopiować, oznacza to, że plik PDF ma już warstwę tekstową — można ją przeszukiwać. Jeśli kliknięcie spowoduje narysowanie prostokątnego zaznaczenia na całym obszarze zamiast zaznaczania określonych słów, strona zostanie zapisana jako obraz bez warstwy tekstowej. Właśnie wtedy potrzebujesz OCR.
Uruchamianie OCR w celu dodania warstwy tekstowej
Narzędzie OCR PDF firmy WukongPDF przetwarza zeskanowane pliki PDF w przeglądarce i zwraca wersję, w której tekst jest rozpoznawany i osadzany obok oryginalnego zeskanowanego obrazu. Strona wygląda identycznie — ten sam wygląd, ta sama jakość skanowania — ale Ctrl+F umożliwia teraz zaznaczanie i kopiowanie słów i tekstu. Prześlij zeskanowany plik PDF, uruchom OCR i pobierz wersję z możliwością wyszukiwania.
Adobe Acrobat Pro ma również solidny silnik OCR w obszarze Narzędzia → Skanuj i amp; OCR → Rozpoznaj tekst. Jego dokładność w przypadku trudnych skanów — wyblakły tekst, nietypowe czcionki, pisma inne niż łacińskie — jest ogólnie lepsza niż w przypadku narzędzi przeglądarkowych, chociaż w przypadku standardowego drukowanego tekstu różnica jest niewielka. Jeśli przetwarzasz duże ilości dokumentów, gdzie liczy się dokładność, warto zainwestować w OCR programu Acrobat.
OCR Dokładność i obsługa języków
Dokładność rozpoznawania OCR zależy w dużej mierze od jakości skanowania. Czysty skan o wysokim kontraście profesjonalnie wydrukowanego dokumentu w rozdzielczości 200 DPI lub wyższej zazwyczaj konwertuje z dokładnością znaków na poziomie 98–99%, co w praktyce jest zasadniczo wolne od błędów. Wyblakła kserokopia, skan wykonany pod kątem lub dokument z odręcznymi adnotacjami będzie zawierał więcej błędów wymagających ręcznej korekty.
Większość narzędzi OCR automatycznie wykrywa język dokumentu i wykorzystuje modele specyficzne dla języka, aby poprawić dokładność. Jeśli dokument stale błędnie rozpoznaje określone znaki, sprawdź, czy język jest wykrywany prawidłowo — wymuszenie prawidłowego języka w ustawieniach OCR często daje zauważalną różnicę, szczególnie w przypadku dokumentów zawierających znaki akcentowane lub alfabety inne niż łacińskie.
Tworzenie pliku PDF z możliwością przeszukiwania w celu archiwizacji długoterminowej
Organizacje digitalizujące archiwa papierowe często stawiają sobie za główny cel możliwość przeszukiwania — możliwość znalezienia określonego dokumentu lub klauzuli w tysiącach plików po latach. W tym przypadku wynik OCR powinien zostać zapisany w formacie przeznaczonym do długotrwałego przechowywania. PDF/A-3 obsługuje osadzone warstwy tekstowe obok obrazu strony i jest standardem archiwizacji zaprojektowanym specjalnie na potrzeby przeszukiwalnych archiwów dokumentów. Uruchamianie OCR, a następnie konwersja do formatu PDF Kompresja z ustawieniami archiwalnymi zapewnia zarówno możliwość wyszukiwania, jak i długoterminową stabilność formatu.
Nawet niedoskonały OCR jest znacznie lepszy niż brak OCR do celów archiwizacji. Dokument z dokładnością znaków wynoszącą 95% nadal można przeszukiwać — wystarczy wyszukać hasło „faktura”. znajdzie większość faktur, nawet jeśli kilka znaków w niektórych słowach zostało błędnie odczytanych. Idealny OCR jest idealny; funkcjonalny OCR jest nadal znacznie bardziej przydatny niż skanowanie bez warstwy tekstowej.