У вас есть стопка распечаток, которые кто-то пометил ручкой, а также несколько страниц, которые вы написали непосредственно в Документах Google. Вам нужно объединить все в один PDF-файл, который будет выглядеть профессионально и последовательно. Отсканированные страницы представляют собой плоские фотографии на бумаге. Цифровые страницы содержат живой текст. Могут ли эти два принципиально разных типа PDF-контента сосуществовать в одном документе? Короткий ответ — да, но насколько хорошо они сосуществуют, зависит от того, как вы подойдете к слиянию.
Это не необычный сценарий. Опрос, проведенный Ассоциацией по управлению информацией и изображениями в 2024 году, показал, что 42% организаций по-прежнему регулярно обрабатывают в своих ежедневных рабочих процессах как отсканированные, так и созданные в цифровом виде документы (AIIM, «Состояние интеллектуального управления информацией», 2024). Гибридные PDF-файлы, документы, содержащие как страницы отсканированных изображений, так и страницы цифрового текста, являются фактом жизни в юридических офисах, бухгалтерских фирмах, агентствах недвижимости и научных факультетах.
Чем отличаются отсканированные и цифровые страницы в PDF-файле
Чтобы понять, почему объединение отсканированных и цифровых страниц требует некоторой осторожности, полезно знать, что на самом деле содержит каждый тип страниц на уровне файла. На цифровой странице хранятся отдельные текстовые символы, каждый из которых имеет точное положение, ссылку на шрифт и значение Юникода. Функции поиска могут читать эти символы напрямую. Отсканированная страница сохраняет одно сжатое изображение, часто в формате JPEG или JPEG2000, занимающее прямоугольную область, равную размерам страницы. Файл ничего не знает о том, что изображено на этом изображении. Это может быть текст, фотография или рисунок, и PDF-файл не делает различий.
Эта разница имеет практические последствия. В объединенном гибридном PDF-файле некоторые страницы будут доступны для поиска, а некоторые — нет. Некоторые страницы будут иметь выбираемый текст, а некоторые будут вести себя как фотографии. Размер файла на странице также будет сильно различаться. Страница обычного текста, созданная в цифровом виде, может занимать от 30 до 50 КБ. Полноцветное сканирование одного и того же содержимого с разрешением 300 точек на дюйм может занимать от 500 КБ до 2 МБ. Размер 20-страничного гибридного документа может легко варьироваться от 2 МБ для преимущественно цифрового файла до 30 МБ для преимущественно отсканированного файла. Этот вариант имеет значение, когда вы отправляете документ по электронной почте или загружаете его на портал с ограниченным размером файла.
Как объединить отсканированные и цифровые страницы, сохраняя при этом все организованным
Фактический процесс объединения отсканированных и цифровых страниц PDF ничем не отличается от объединения любого другого набора файлов PDF. Любой инструмент Merge PDF справится с этой задачей. Инструмент объединения WukongPDF позволяет загружать файлы в любом порядке, перетаскивать их для изменения порядка страниц и загружать один объединенный PDF-файл. Инструменту не важно, была ли каждая исходная страница создана сканером или текстовым процессором. Он одинаково обрабатывает все входные страницы и объединяет их в указанной вами последовательности.
Более важным соображением является то, что происходит после слияния. Если вы хотите, чтобы окончательный документ был полностью доступен для поиска, отсканированные страницы должны пройти этап оптического распознавания символов либо до, либо после объединения. Запуск OCR перед объединением дает вам больше контроля, поскольку вы можете проверить качество текста каждого отсканированного файла индивидуально. Запускать распознавание текста после слияния удобнее, поскольку вы обрабатываете весь документ за один проход. Оба подхода работают. Выбор зависит от того, нужно ли вам по-разному настраивать параметры оптического распознавания символов для разных исходных документов.
Согласованность размера страницы — еще одна деталь, на которую стоит обратить внимание. Отсканированные страницы часто имеют физические размеры бумаги на платформе сканера, обычно это формат US Letter (8,5 x 11 дюймов). Цифровые страницы могли быть созданы в формате A4 (8,27 x 11,69 дюйма) или в любых других размерах, которые использовались в исходном приложении. Когда в одном и том же PDF-файле появляются страницы немного разных размеров, большинство программ просмотра корректно обрабатывают изменения, масштабируя каждую страницу в соответствии с размером окна просмотра. Но визуальный переход между слегка разными размерами страниц может раздражать при прокрутке. Если для вашего варианта использования важна согласованность, рассмотрите возможность стандартизации всех страниц до одного размера в процессе слияния.
Когда гибридные PDF-файлы имеют смысл, а когда нет
Гибридные PDF-файлы являются практичным решением во многих распространенных ситуациях. Юристы обычно комбинируют контракты, составленные в цифровой форме, со сканированными вещественными доказательствами и доказательствами. Агенты по недвижимости объединяют предложения, созданные в цифровом формате, со отсканированными отчетами о проверках и формами раскрытия информации. Бухгалтеры объединяют финансовые отчеты, созданные на компьютере, со сканированными квитанциями и счетами-фактурами. В каждом из этих случаев гибридный PDF-файл служит своей цели: он создает единый организованный файл, который кто-то может открыть, пролистать и просмотреть от начала до конца.
Однако бывают ситуации, когда гибридный PDF-файл не работает. Если получателю необходимо выполнить поиск текста по всему документу, отсканированные страницы будут невидимы для функции поиска, если они не были обработаны с помощью оптического распознавания символов. Если получателю необходимо скопировать и вставить текст с любой страницы, отсканированные страницы не пройдут этот тест. Если документ будет отправлен в систему, которая выполняет автоматическое извлечение текста или полнотекстовое индексирование, например, в судебную систему электронной подачи документов или платформу управления документами, несканированные страницы будут давать пустые или заполненные ошибками результаты в этих системах.
В этих сценариях с более высокими ставками запуск OCR на каждой сканируемой странице перед объединением не является обязательным, это необходимо. Гибридный PDF-файл с полной возможностью поиска по функциям почти неотличим от полностью цифрового. Единственное остающееся отличие заключается в том, что отсканированные страницы не будут перекомпоновывать текст при масштабировании, в то время как цифровые страницы могут это делать, в зависимости от того, как они были созданы. Для большинства практических целей хорошо оформленный гибридный PDF-файл с оптическим распознаванием текста на каждой отсканированной странице обеспечивает тот же пользовательский опыт, что и чисто цифровой документ.
Управление размером файла при смешивании отсканированного и цифрового контента
Размер файла часто является первым, на что люди обращают внимание в гибридном PDF-файле, и не в положительном смысле. 10-страничный документ, где 3 страницы представляют собой цветные сканы с разрешением 300 точек на дюйм, а 7 — обычный цифровой текст, может легко превысить 10 МБ. Если этот документ необходимо отправить по электронной почте, многие почтовые серверы устанавливают ограничение в 25 МБ для вложений, и получатели мобильных подключений для передачи данных не оценят загрузку файла такого размера для содержимого, размер которого мог бы быть лишь частью этого размера.
Несколько методов позволяют контролировать размер файла гибридного PDF. Сканирование в черно-белом режиме или в оттенках серого вместо цветного уменьшает размер файла на страницу примерно на 60–80 % для документов с большим количеством текста. Уменьшение разрешения сканирования с 300 до 200 точек на дюйм сокращает размер файла примерно вдвое, сохраняя при этом достаточную детализацию для разборчивого текста и приемлемых результатов распознавания. Применение сжатия к объединенному PDF-файлу на последнем этапе может еще больше уменьшить общий размер. Отсканированные страницы PDF особенно выигрывают от сжатия, поскольку отсканированные изображения часто содержат гораздо больше данных о пикселях, чем необходимо для просмотра или печати на экране. Инструмент сжатия WukongPDF может уменьшить гибридный PDF-файл на 50–70 % без видимой потери качества, что делает разницу между файлом, который возвращается с сервера электронной почты, и файлом, который проходит через него.
Шаг за шагом: создание чистого гибридного PDF
Последовательный подход к созданию гибридных PDF-файлов дает лучшие результаты, чем каждый раз импровизировать. Начните со сканирования всех физических страниц с разрешением 300 точек на дюйм в оттенках серого, если цвет не требуется. Сохраняйте их как отдельные файлы PDF, а не как одно комбинированное сканирование. Затем откройте каждый отсканированный файл и убедитесь, что страницы ровные и читаемые. Запустите распознавание текста на отсканированных файлах, если вам нужно, чтобы окончательный документ был доступен для поиска.
Соберите свои цифровые страницы. Если они распределены по нескольким файлам, сначала объедините их вместе. Теперь у вас должно быть два чистых набора: один пакет отсканированных PDF-файлов и один пакет цифровых PDF-файлов. Используйте инструмент слияния, чтобы объединить их в правильном порядке. Браузерный интерфейс слияния отображает все загруженные страницы в виде миниатюр, которые можно перетаскивать на нужное место, поэтому упорядочение отсканированных и цифровых страниц происходит быстро и наглядно.
После слияния выполните быструю проверку качества. Пролистайте каждую страницу. Ищите страницы, которые кажутся повернутыми, страницы, на которых при сканировании была обрезана часть содержимого, а также страницы, на которых текст настолько тусклый, что его трудно читать. Устраните любые проблемы в источнике и при необходимости выполните повторное объединение. Запустите тест поиска Ctrl+F для нескольких слов, которые, как вы знаете, встречаются на сканируемых страницах. Если поиск их находит, значит OCR работает корректно. В противном случае отсканированным страницам потребуется еще раз пройти процедуру оптического распознавания символов, прежде чем документ будет готов к публикации.
Наконец, проверьте размер файла. Если документ предназначен для отправки по электронной почте, постарайтесь, чтобы его размер не превышал 10 МБ. Если оно превышает это значение, запустите этап сжатия и проверьте еще раз. Несколько дополнительных минут, потраченных на эти этапы проверки, гораздо менее болезненны, чем когда клиент, коллега или секретарь суда сообщают вам, что отправленный вами документ непригоден для использования.