A execução de OCR PDF em uma pasta de documentos digitalizados deve produzir PDFs pesquisáveis com nomes que correspondam aos originais. Quando as ferramentas de OCR em lote renomeiam os arquivos de saída genericamente, como output1.pdf, output2.pdf, a conexão entre o original e a versão pesquisável é perdida. A preservação dos nomes dos arquivos por meio do processo de OCR mantém os documentos digitalizados organizados e rastreáveis.
A preservação do nome do arquivo é um detalhe de configuração, não uma limitação de recurso. A maioria das ferramentas de OCR gera por padrão nomes de arquivos de saída com base nos nomes de arquivos de entrada ou permite especificar um padrão de nomenclatura de saída. A chave é encontrar a configuração correta ou o sinalizador de linha de comando antes de executar o lote, não depois de descobrir que 200 arquivos foram renomeados.
As ferramentas de OCR PDF digitalizado da WukongPDF processam documentos individualmente e em lote, mantendo os nomes dos arquivos originais.
OCR em lote com o Action Wizard do Acrobat Pro
O Action Wizard do Acrobat Pro automatiza o processamento de PDF em várias etapas em uma pasta. Vá para Ferramentas, Assistente de Ação, Nova Ação. Adicione a etapa Reconhecer texto à ação, selecionando o idioma de OCR correto e as configurações de saída. Adicione uma etapa Salvar que salva arquivos em uma pasta de saída especificada, anexando opcionalmente um sufixo como _OCR para distinguir arquivos pesquisáveis dos originais.
Execute a ação na pasta de entrada. O Acrobat abre cada arquivo, executa o OCR, salva a saída com o sufixo anexado ao nome do arquivo original e passa para o próximo arquivo. A pasta de saída contém PDFs pesquisáveis com nomes como report_OCR.pdf correspondentes ao report.pdf original. A abordagem do sufixo preserva o nome do arquivo original enquanto indica claramente quais arquivos foram processados por OCR.
Experimente o OCR de PDF
Nenhuma instalação necessária. Funciona diretamente no seu navegador.
OCR em lote de linha de comando com Tesseract
O Tesseract processa um arquivo de imagem por vez. Para OCR em lote de uma pasta de PDFs digitalizados, primeiro converta cada página do PDF em uma imagem, execute o Tesseract e depois recombine em um PDF pesquisável. Um script de shell cuida do pipeline. Para cada PDF na pasta, o script extrai o nome do arquivo base, converte as páginas em imagens TIFF, executa o Tesseract com o sinalizador de idioma apropriado e gera um PDF pesquisável com o nome do arquivo base original.
O script usa expansão de parâmetros para remover a extensão do arquivo: base=${f%.pdf} fornece o nome do arquivo sem .pdf. A saída do Tesseract é chamada $base, e o PDF pesquisável resultante é salvo como ${base}_searchable.pdf. O nome do arquivo original é preservado no nome de saída. Um loop de uma linha processa uma pasta inteira: for f in *.pdf; do tesseract $f ${f%.pdf} -l eng PDF; feito.
OCR em lote simplificado com OCRmyPDF
OCRmyPDF é uma ferramenta de linha de comando baseada em Python que adiciona uma camada de texto OCR a PDFs existentes. Ele cuida da extração de imagens, OCR e remontagem de PDF internamente. Um único comando processa um PDF: ocrmypdf input.pdf output.pdf. A saída preserva as imagens da página e adiciona texto reconhecido atrás delas como uma camada invisível.
Para processamento em lote, o OCRmyPDF aceita um caminho de pasta com o sinalizador --batch ou pode ser repetido em um script de shell. A principal vantagem sobre o Tesseract para processamento de PDF é que o OCRmyPDF funciona diretamente com entrada e saída de PDF. Nenhuma conversão intermediária de imagem é necessária. O nome do arquivo de saída pode ser especificado por arquivo, preservando a convenção de nomenclatura original. Para digitalização de documentos digitalizados de alto volume, o OCRmyPDF combinado com um shell loop fornece o caminho mais eficiente desde digitalizações brutas até arquivos pesquisáveis.
| Ferramenta | Método em lote | Manuseio de nome de arquivo |
|---|---|---|
| Assistente de ação do Acrobat Pro | Criar ação, aplicar à pasta | Preserva o nome do arquivo original, adiciona sufixo |
| CLI do Tesseract | Shell for-loop sobre pasta | A saída corresponde ao nome do arquivo de entrada |
| OCRmeuPDF | Comando único por arquivo ou lote | Substitui ou cria um novo arquivo de acordo com as configurações |
Verificando saída de OCR em lote
Após o processamento em lote, verifique uma amostra dos arquivos de saída antes de arquivar os originais. Abra de três a cinco PDFs de saída de diferentes partes da lista de arquivos classificados em ordem alfabética. Procure uma palavra visível na imagem digitalizada. Se a pesquisa encontrar a palavra, o OCR foi bem-sucedido para esse arquivo. Verifique a primeira página, a página do meio e a última página de cada arquivo de amostra. A qualidade do OCR pode variar dentro de um documento se as páginas tiverem qualidade de digitalização diferente.
Quando se trata de fluxos de trabalho de documentos, para documentos onde o OCR falhou, indicado por um PDF onde a pesquisa não encontra nada, execute novamente o OCR com configurações ajustadas. Aumente a resolução da imagem para 400 DPI se a digitalização original for de baixa qualidade. Experimente um mecanismo de OCR diferente se o Tesseract produzir resultados ruins. Processe arquivos problemáticos individualmente em vez de executar novamente o lote inteiro.
O OCR em lote com preservação de nome de arquivo transforma uma pasta de documentos digitalizados inacessíveis em um arquivo pesquisável onde cada arquivo é rastreável até seu original. O nome do arquivo é o link entre a digitalização original e a versão aprimorada com OCR.
Armazenamento de longo prazo de PDFs digitalizados com OCR aprimorado
Uma vez configurado, após o processamento de OCR em lote, armazene os PDFs pesquisáveis em um local preservando as imagens da página e a camada de texto do OCR. O formato PDF/A com uma camada de texto incorporada é o padrão de arquivamento. Converta a saída OCR em PDF/A usando o Acrobat Pro ou Ghostscript com a configuração de saída PDF/A.
Na prática, a camada de texto OCR adiciona uma sobrecarga mínima ao tamanho do arquivo, normalmente de 5 a 15 por cento. A troca de arquivos um pouco maiores pela capacidade de pesquisa quase sempre vale a pena. Um documento digitalizado que não pode ser pesquisado é significativamente menos útil do que aquele que pode.
Na prática, a estrutura de diretórios para saída de OCR em lote deve espelhar a estrutura de entrada ao processar pastas aninhadas. Um script em lote recursivo que preserva a estrutura do caminho relativo garante que os arquivos aprimorados por OCR mantenham a mesma hierarquia organizacional dos originais.
Quando se trata de fluxos de trabalho de documentos, para projetos de OCR em lotes extremamente grandes com milhares de documentos, considere dividir a carga de trabalho em várias sessões ou máquinas. O OCR exige muita computação e um lote de dez mil páginas pode levar várias horas em uma única máquina.
Uma vez configurado, após concluir um projeto de OCR em lote, gere um manifesto de processamento listando cada arquivo de entrada, seu arquivo de saída, o mecanismo de OCR e as configurações usadas e a data de processamento. O manifesto serve como documentação e registro dos arquivos processados.
Olhando para isto na prática, na prática, a transição de arquivos digitalizados não pesquisáveis para coleções pesquisáveis melhoradas por OCR é uma das atividades de digitalização de maior impacto. A capacidade de pesquisar documentos anteriormente inacessíveis transforma-os de registros estáticos em recursos de informação ativos.
A velocidade de processamento do OCR varia de acordo com a complexidade do documento. As páginas somente texto são processadas rapidamente. Páginas com tabelas, fontes mistas ou elementos decorativos demoram mais. Um lote de páginas de texto uniformes é concluído mais rapidamente do que um lote de conteúdo variado.
Na maioria das ferramentas, a configuração do idioma do OCR afeta o tempo e a precisão do processamento em lote. Selecionar apenas os idiomas realmente presentes nos documentos evita sobrecarga desnecessária de processamento e reduz o reconhecimento de caracteres falsos de modelos de idiomas não utilizados.
Para documentos contendo texto e fotografias, o mecanismo de OCR pode tentar reconhecer texto em áreas de fotografia, produzindo caracteres com ruído. A filtragem pós-OCR remove esses artefatos analisando a distribuição espacial do texto reconhecido.
Normalmente, a configuração de DPI para imagens de entrada de OCR equilibra a velocidade de processamento com a precisão. 300 DPI é a recomendação padrão. 400 DPI melhora a precisão de textos pequenos. 200 DPI processa mais rápido, mas pode perder caracteres finos.
Após o OCR em lote, execute um teste de pesquisa por palavra-chave nos arquivos processados usando termos que aparecem nos originais. Os arquivos onde a palavra-chave não foi encontrada precisam ser reprocessados com configurações ajustadas ou revisão manual.
Os arquivos de saída OCR devem ser armazenados em uma estrutura de pastas que separe os arquivos processados dos originais. Isso evita o reprocessamento acidental de arquivos já aprimorados com OCR e mantém o arquivo organizado.
Dentro deste contexto, na prática, a camada de texto OCR pode ser extraída e armazenada separadamente como um arquivo de texto simples para cada documento. Arquivos de texto separados suportam pesquisa de texto completo no arquivo sem abrir cada PDF individualmente.
Com o processamento de documentos, para arquivos digitalizados de alto valor, considere executar o OCR com dois mecanismos diferentes e comparar o resultado. As discrepâncias entre os mecanismos destacam o reconhecimento incerto que precisa de verificação manual.
O OCR em lote é a ponte entre os arquivos em papel e a pesquisa digital. Um arquivo de documentos em papel, uma vez digitalizados e processados por OCR, torna-se uma base de conhecimento pesquisável. A transição do físico para o digital pesquisável é uma das transformações de gerenciamento de informações mais impactantes que uma organização pode fazer.
OCR em lote com preservação de nome de arquivo é a ponte entre uma pasta de documentos digitalizados inacessíveis e um arquivo digital pesquisável. O processamento é automatizado. Os nomes dos arquivos fornecem rastreabilidade. A camada de texto OCR torna cada documento detectável. A combinação transforma uma coleção estática em um recurso de informação ativo.
Experimente o OCR de PDF
Nenhuma instalação necessária. Funciona diretamente no seu navegador.