PDF-файл, собранный из нескольких источников, часто содержит смесь страниц отсканированных изображений и текстовых страниц, созданных в цифровом формате. Первые десять страниц представляют собой четкий цифровой текст из экспортированного отчета. Следующие пять — это отсканированные изображения рукописных заметок. Приложение представляет собой смесь того и другого. Этот гибридный документ создает проблемы с обработкой: распознавание текста работает только на отсканированных страницах, параметры сжатия, подходящие для цифрового текста, не подходят для отсканированных изображений, а инструменты поиска находят контент на некоторых страницах, но не на других.
Правильная обработка смешанных PDF-файлов означает соответствующую обработку каждого типа страниц без разделения документа на отдельные файлы. В этом руководстве рассказывается, как определить, какие страницы нуждаются в какой обработке, как выборочно применять операции и как создать унифицированный вывод, доступный для поиска, разумного размера и единообразный по внешнему виду.
Согласно анализу, проведенному в 2024 году компанией по управлению документами M-Files, смешанные сканированные и цифровые PDF-файлы составляют примерно 22 процента всех PDF-файлов в корпоративных репозиториях документов (M-Files, «Анализ состава корпоративных документов», 2024). Гибридный формат распространен, поскольку документы собираются из разных источников. Задача обработки стандартная.
Определение того, какие страницы какие
Самый быстрый способ идентифицировать отсканированные страницы — попробовать выделить текст. Откройте PDF-файл и перетащите курсор по тексту на странице. Если текст выделяется и его можно скопировать, страница является цифровой. Если вы не можете выделить отдельные слова и курсор выделяет всю страницу как изображение, страница сканируется. Просмотрите документ страницу за страницей и отметьте, какие страницы сканируются. Для типичного документа это займет минуту и точно скажет, какие страницы нуждаются в распознавании текста.
Для документов со многими страницами более быстрый метод — поиск общего слова, например или и. Результаты поиска будут совпадать только на цифровых страницах. Страницы, на которых нет совпадений, являются отсканированными. Шаг идентификации Scanned PDF важен, поскольку применение неправильной обработки к типу страницы приводит к плохим результатам. Слишком сильное сжатие отсканированных страниц делает текст нечитаемым. Отсутствие оптического распознавания делает контент невидимым для поиска.
Попробуйте PDF-распознавание текста
Никакой установки не требуется. Работает прямо в вашем браузере.
Выборочное распознавание текста: обработка только отсканированных страниц
Использование оптического распознавания символов на цифровых страницах является расточительным и может фактически ухудшить качество из-за добавления второго текстового слоя, который может конфликтовать с оригиналом. Правильный подход — запускать распознавание текста только на отсканированных страницах, оставляя цифровые страницы нетронутыми. Некоторые инструменты OCR на основе браузера поддерживают выбор страниц, позволяя указать диапазон страниц или выбрать отдельные страницы для обработки OCR.
Если ваш инструмент не поддерживает выборочное распознавание текста, разделите PDF-файл на отсканированные и цифровые разделы, распознавайте только отсканированные разделы, а затем объедините все вместе. Дополнительные шаги разделения и слияния добавляют к рабочему процессу несколько минут, но дают лучший результат, чем беспорядочное распознавание текста. Инструменты OCR PDF и функции слияния WukongPDF поддерживают этот выборочный подход.
Стратегии сжатия смешанных документов
Применение одной настройки сжатия к смешанному документу приводит к неравномерным результатам. Настройка, подходящая для отсканированных изображений (обычно умеренное сжатие для сохранения разборчивости текста), слишком консервативна для страниц цифрового текста, которые можно сжимать более агрессивно без видимой потери качества. Настройка, подходящая для цифрового текста, делает отсканированные страницы нечитаемыми.
Решением является та же стратегия разделения процесса и слияния: разделите отсканированные и цифровые разделы, сжимайте каждый с настройками, соответствующими его типу контента, и повторно объединяйте. Рабочий процесс PDF Tools для смешанных документов требует больше шагов, чем обработка однородного документа, но качество вывода оправдывает дополнительные усилия. Смешанный документ, обработанный с едиными настройками, будет иметь либо раздутые цифровые страницы, либо неразборчивые отсканированные страницы.
Когда стоит сдаться и держать их отдельно
Для некоторых смешанных документов подход разделения процесса-слияния дает технически правильный, но визуально противоречивый результат. Отсканированные страницы и цифровые страницы, обработанные по-разному, будут выглядеть в конечном документе по-разному. Если визуальное единообразие важнее, чем наличие одного файла, сохраняйте отсканированные и цифровые разделы как отдельные PDF-файлы. Получатель получает два файла, каждый из которых выглядит согласованным, а не один файл, который выглядит несовпадающим. Решение PDF Tools является практичным, а не догматичным.
Попробуйте PDF-распознавание текста
Никакой установки не требуется. Работает прямо в вашем браузере.