Masz folder zawierający 200 zeskanowanych plików PDF. Stare umowy, archiwalne raporty, protokoły spotkań sprzed dziesięciu lat. Żadnego z nich nie można przeszukać. Znalezienie konkretnego dokumentu oznacza otwarcie każdego pliku i przeskanowanie go oczami, co jest powolne, podatne na błędy i niezrównoważone w miarę powiększania się kolekcji. Musisz uruchomić OCR na całej partii na raz, a nie na jednym pliku na raz.
Rozwiązaniem jest Batch OCR, który jest bardziej dostępny niż większość ludzi myśli. Nie potrzebujesz korporacyjnego systemu zarządzania dokumentami ani farmy serwerów. W zależności od wielkości projektu i wybranych narzędzi na koniec dnia możesz mieć 200 plików PDF z możliwością przeszukiwania. Kluczem jest wybranie odpowiedniego podejścia do głośności i komfortu dzięki technologii.
Zanim zaczniesz: Zorganizuj i oceń partię dokumentów
Duży wsadowy projekt OCR żyje lub umiera w trakcie przygotowań. Zacznij od zebrania wszystkich plików PDF w jednym folderze. Nazwij je konsekwentnie. Jeśli pliki mają obecnie nazwy scan001.pdf, scan002.pdf itd., przed uruchomieniem OCR zmień ich nazwę na opisową. Proces OCR nie powoduje zmiany nazw plików, a późniejsze odnalezienie konkretnego dokumentu jest znacznie łatwiejsze, gdy nazwa pliku informuje, co zawiera.
Następnie oceń jakość swoich skanów. Otwórz losową próbkę od 10 do 20 plików i sprawdź rozdzielczość, pochylenie i kontrast. Jeśli większość skanów ma rozdzielczość 300 DPI lub wyższą, jest ustawiona pionowo i zawiera ciemny tekst na jasnym tle, wsadowy OCR zapewni doskonałe wyniki przy minimalnej interwencji ręcznej. Jeśli skany mają niską rozdzielczość, są przekrzywione lub mają kolorowe tło, należy spodziewać się niższej dokładności i zaplanować czas na ręczny przegląd i korektę. Test porównawczy przeprowadzony w 2025 r. przez stowarzyszenie PDF Association wykazał, że dokładność OCR w przypadku czystych skanów w rozdzielczości 300 DPI wynosiła średnio ponad 97%, podczas gdy skany tych samych dokumentów w rozdzielczości 150 DPI spadła do około 87% (PDF Association, „OCR Accuracy Benchmark Report”, 2025). Jakość danych wejściowych determinuje jakość wyników.
Opcja 1: Wsadowy OCR oparty na przeglądarce dla małych i średnich partii
W przypadku partii liczących od 20 do 30 plików najprostszą ścieżkę zapewnia narzędzie OCR PDF oparte na przeglądarce. Narzędzie OCR WukongPDF przetwarza wiele plików w jednej sesji. Prześlij pliki, wybierz język OCR i rozpocznij przetwarzanie. Narzędzie dodaje do każdej strony warstwę tekstową z możliwością przeszukiwania i zwraca pliki w postaci plików PDF z możliwością przeszukiwania. Pobierz je wszystkie po zakończeniu przetwarzania.
Podejście to nie wymaga instalacji oprogramowania, pisania skryptów ani konfiguracji technicznej. Kompromis polega na tym, że każdy plik musi zostać przesłany i pobrany, co zajmuje czas proporcjonalny do szybkości połączenia internetowego i rozmiaru pliku. W przypadku 10 plików po 5 MB każdy całkowity transfer wynosi 50 MB w górę i 50 MB w dół, co można wykonać przy użyciu dowolnego połączenia szerokopasmowego. W przypadku 100 plików po 20 MB każdy całkowity transfer wynosi 2 GB w górę i 2 GB w dół, co w przypadku większości połączeń zajmie trochę czasu. W tej skali podejście oparte na komputerach stacjonarnych staje się bardziej praktyczne.
Opcja 2: Oprogramowanie komputerowe do dużych partii i pełnej kontroli
Adobe Acrobat Pro zawiera funkcję wsadowego OCR zaprojektowaną dokładnie dla tego przypadku użycia. Otwórz program Acrobat, przejdź do opcji Narzędzia, wybierz opcję Ulepsz skany i wybierz opcję Rozpoznaj tekst. Wybierz opcję „W wielu plikach” z listy rozwijanej. Dodaj folder zawierający pliki PDF, skonfiguruj ustawienia OCR, język, format wyjściowy i jakość, a następnie kliknij OK. Acrobat przetwarza każdy plik w folderze i zapisuje wersje, które można przeszukiwać, obok oryginałów lub w wybranym nowym folderze wyjściowym.
Podejście desktopowe ma kilka zalet w przypadku dużych projektów. Nie zależy to od szybkości Twojego Internetu. Może działać przez noc, gdy komputer jest bezczynny. Zapewnia precyzyjną kontrolę nad parametrami OCR w przypadku dokumentów wymagających specjalnej obsługi, takich jak pliki zawierające wiele języków, nietypowe czcionki lub strony o mieszanej orientacji. Główną wadą jest koszt. Acrobat Pro wymaga subskrypcji. Jeśli masz już to w pracy, czeka na Ciebie funkcja wsadowego OCR. Jeśli tego nie zrobisz, oceń, czy wielkość projektu uzasadnia wydatek na subskrypcję.
Opcja 3: Bezpłatny OCR z wiersza poleceń dla użytkowników technicznych
Tesseract, silnik OCR typu open source obsługiwany przez Google, może przetwarzać cały folder plików PDF za pomocą skryptu powłoki. Zainstaluj Tesseract poprzez Homebrew na Macu lub za pomocą gotowego instalatora Windows. Napisz prosty skrypt pętli, który pobiera każdy plik PDF do folderu, konwertuje go na obrazy, uruchamia Tesseract na każdym obrazie i ponownie składa rozpoznany tekst w nowy plik PDF z możliwością przeszukiwania. To podejście nic nie kosztuje, działa całkowicie w trybie offline i skaluje się do tysięcy plików.
Kompromisem jest złożoność techniczna. Tesseract jest narzędziem wiersza poleceń. Wymaga wygody w obsłudze terminala, podstawowej znajomości skryptów i cierpliwości, aby debugować nieuniknione przypadki Edge: pliki PDF o różnych rozmiarach stron, pliki, w których brakuje metadanych DPI lub są one nieprawidłowe, dokumenty, w których należy określić język rozpoznawania tekstu dla każdego pliku. Dla technicznie uzdolnionego użytkownika pracującego nad osobistym projektem Tesseract jest potężnym i darmowym rozwiązaniem. Dla kogoś, kto chce rozwiązania, które działa bez konieczności uczenia się interfejsu wiersza poleceń, podejście oparte na przeglądarce lub komputerze stacjonarnym jest znacznie bardziej dostępne.
Kontrola jakości: weryfikacja partii wyników OCR
Po wsadowym uruchomieniu OCR na dużym zestawie zeskanowanych plików PDF systematyczna kontrola jakości zapobiega scenariuszowi, w którym sześć miesięcy później odkryjesz, że jedna czwarta plików ma zniekształcone warstwy tekstowe. Nie musisz sprawdzać każdej strony każdego pliku, ale powinieneś zweryfikować reprezentatywną próbkę.
Otwórz jeden plik od początku partii, jeden od środka i jeden od końca. Dla każdego pliku uruchom wyszukiwanie za pomocą klawiszy Ctrl+F słowa widocznego na stronie. Spróbuj zaznaczyć tekst kursorem. Przejrzyj akapit, porównując go z widocznym tekstem. Jeśli wszystkie trzy przykładowe pliki przejdą te testy, wsadowy OCR prawdopodobnie zakończy się pomyślnie. Jeśli co najmniej jedna próbka wykazuje problemy, otwórz większą próbkę, na przykład 10% plików, aby ocenić, czy problem jest odosobniony, czy powszechny.
Typowe błędy wsadowego rozpoznawania OCR obejmują pliki, w których język został nieprawidłowo ustawiony, co powodowało, że wszystkie znaki akcentowane lub znaki inne niż łacińskie były renderowane jako bełkot, pliki z poważnym przekrzywieniem, których algorytm prostowania nie mógł skorygować, oraz pliki, w których rozdzielczość była zbyt niska, aby można było je wiarygodnie rozpoznać. Każdy z tych błędów ma określone rozwiązanie: popraw ustawienie języka, ręcznie przesuń skanowanie lub zeskanuj ponownie w wyższej rozdzielczości przed ponownym uruchomieniem OCR na plikach, których dotyczy problem.
Po zakończeniu wsadowego OCR i przejściu kontroli jakości oryginalne, nieprzeskanowane pliki należy przechowywać oddzielnie od wersji przetworzonych przez OCR. Miejsce na dysku jest niedrogie. Posiadanie oryginałów oznacza, że możesz w przyszłości ponownie uruchomić OCR, jeśli dostępny będzie lepszy silnik OCR lub jeśli odkryjesz, że określone ustawienie dałoby lepsze wyniki. Ten niewielki nawyk archiwizacji pozwolił niezliczonym projektom uniknąć konieczności ponownego skanowania dokumentów fizycznych, które zostały odrzucone po pierwszym przejściu OCR.