Um PDF digitalizado de 200 páginas contém uma mistura de tipos de páginas. As primeiras 150 páginas são de texto impresso limpo que precisa de OCR. As próximas 30 páginas são fotografias e diagramas que não possuem texto para reconhecer. As 20 páginas finais são formulários com entradas manuscritas que também precisam de OCR. A execução do OCR em todo o documento desperdiça tempo de processamento em páginas que não contêm texto e pode produzir resultados distorcidos nas páginas de fotos à medida que o mecanismo de OCR tenta encontrar caracteres no conteúdo da imagem. Executar o OCR seletivamente apenas nas páginas que precisam dele é mais eficiente e produz resultados mais limpos.
OCR seletivo, às vezes chamado de OCR por página ou intervalo de páginas, processa apenas as páginas especificadas. As páginas que você exclui permanecem inalteradas. As páginas incluídas recebem uma camada de texto pesquisável. O documento misto mantém seu conteúdo original em todas as páginas, com capacidade de pesquisa de texto adicionada somente onde for necessário.
A abordagem seletiva OCR PDF é particularmente valiosa para documentos grandes onde o OCR de documento completo levaria um tempo significativo e a proporção de páginas de texto é baixa. Processar 20 páginas em 200 é dez vezes mais rápido do que processar todas as 200.
Identificando quais páginas precisam de OCR
Percorra o documento e identifique quais páginas contêm texto que deve ser pesquisável. As páginas de texto têm palavras e caracteres visíveis. As páginas de fotos possuem imagens sem texto. As páginas de diagrama possuem linhas, formas e rótulos que podem ou não se beneficiar do OCR, dependendo se os rótulos precisam ser pesquisáveis. Crie uma lista de intervalos de páginas que precisam de OCR. Para um documento com texto nas páginas 1 a 150 e 181 a 200, os intervalos são 1-150 e 181-200. As páginas 151 a 180 são a seção de fotos e diagramas que não precisam de OCR.
Se o documento tiver marcadores ou índice, use-os para identificar seções de texto rapidamente. Cada seção marcada que contém texto é candidata ao OCR. O PDF digitalizado com conteúdo misto se beneficia dessa abordagem direcionada.
Experimente o OCR de PDF
Nenhuma instalação necessária. Funciona diretamente no seu navegador.
Executando OCR seletivo
Carregue o PDF em uma ferramenta de OCR baseada em navegador que ofereça suporte à seleção de intervalo de páginas. Insira os intervalos de páginas que você identificou. A ferramenta processa apenas essas páginas. As páginas de texto recebem uma camada de texto pesquisável. As páginas de fotos e diagramas permanecem como estavam. Baixe o arquivo processado. Todo o documento está intacto. Apenas as páginas especificadas foram modificadas.
WukongPDF As ferramentas de OCR suportam a seleção de páginas. O processamento seletivo OCR PDF economiza tempo em documentos grandes com conteúdo misto e produz resultados mais limpos, evitando o OCR em páginas que não contêm texto.
Verificando resultados de OCR seletivo
Após o processamento, verifique a saída do OCR nas páginas selecionadas. Pesquise palavras que aparecem nessas páginas. Confirme se a pesquisa os encontra. Em seguida, verifique uma página do intervalo excluído. Confirme que parece inalterado. O OCR seletivo deveria ter modificado apenas as páginas especificadas. Uma rápida verificação em uma página de cada faixa confirma que a seleção foi aplicada corretamente.
A abordagem de processamento seletivo PDF Tools é o controle de qualidade por meio de aplicação direcionada. Processe apenas o que precisa de processamento. Deixe o resto inalterado.
Combinando OCR seletivo com outro processamento específico de página
O processamento seletivo não se limita ao OCR. Compactação, ajuste de resolução e conversão de cores também podem ser aplicados a páginas específicas. Um documento com fotos coloridas de alta resolução e páginas de texto em preto e branco se beneficia de diferentes configurações de compactação para cada tipo de página. As fotos precisam de compactação moderada para preservar os detalhes. As páginas de texto podem ser compactadas agressivamente.
Aplique configurações de compactação por tipo de página após o OCR. O PDF digitalizado com conteúdo misto se beneficia do processamento específico da página em todas as operações, não apenas no OCR. Trate cada tipo de página de acordo com seu conteúdo.
Documentando quais páginas foram OCR para referência futura
Ao fazer o OCR apenas em páginas específicas, documente quais páginas foram processadas. Uma nota nos metadados do documento ou um arquivo de texto complementar listando os intervalos de páginas com OCR. Se posteriormente alguém pesquisar o documento e encontrar conteúdo em algumas páginas, mas não em outras, a documentação explica o motivo. A busca não falhou. Essas páginas não foram OCR.
A documentação de processamento seletivo OCR PDF evita confusão sobre por que algumas páginas são pesquisáveis e outras não. A documentação leva segundos e fornece clareza para todos os futuros usuários do documento.
Dividindo o documento por tipo de página antes do OCR
Para documentos grandes com seções de texto e não textuais claramente separadas, divida o documento por tipo de página antes do OCR. Coloque todas as páginas de texto em um arquivo e todas as páginas que não sejam de texto em outro. OCR o arquivo de texto em sua totalidade. Em seguida, mescle as páginas de texto OCR com as páginas não textuais inalteradas. O fluxo de trabalho de mesclagem de processo dividido envolve mais etapas, mas evita o risco de identificação incorreta de páginas durante o OCR seletivo.
O fluxo de trabalho dividido OCR PDF é apropriado quando as seções de texto e não-texto estão claramente separadas e o documento é grande o suficiente para que as etapas extras sejam justificadas. Para documentos pequenos, o OCR seletivo com intervalos de páginas é mais eficiente.
Refazer o OCR de páginas que falharam na primeira passagem
Após o OCR seletivo, pesquise uma palavra que você sabe que aparece em uma das páginas processadas. Se a pesquisa falhar, o OCR pode não ter reconhecido o texto corretamente. Faça novamente o OCR dessa página específica, possivelmente com configurações diferentes, como uma resolução mais alta ou um modelo de idioma diferente. A abordagem seletiva permite o reprocessamento direcionado sem refazer todo o documento.
O reprocessamento direcionado de PDF digitalizado de páginas com falha é uma das vantagens do OCR seletivo. Uma falha no OCR de documento completo requer o reprocessamento de tudo. Uma falha seletiva requer o reprocessamento apenas das páginas que precisam dela.
Experimente o OCR de PDF
Nenhuma instalação necessária. Funciona diretamente no seu navegador.