Газеты и журналы размещают текст в нескольких колонках, которые змеятся по странице. История начинается в левом верхнем углу, продолжается вниз по первому столбцу, переходит к началу второго столбца, продолжается вниз и может снова перейти на седьмую страницу. Механизмы оптического распознавания символов, обученные на документах с одним столбцом, с трудом справляются с этим макетом. Механизм читает страницу, захватывая текст из первого и второго столбцов, как если бы они были одной строкой. На выходе получается беспорядочный беспорядок, в котором предложения из разных столбцов чередуются.
OCR для макетов с несколькими столбцами требует, чтобы механизм обнаруживал границы столбцов перед распознаванием текста. Страница разделена на зоны. Каждая зона обрабатывается независимо. Текст из каждой зоны собран в правильном порядке чтения. Результат читается правильно, поскольку каждый столбец рассматривается как отдельная текстовая область.
Проблема OCR PDF с многоколоночными макетами заключается не в распознавании символов. Это обнаружение зоны. Распознать персонажей — самая простая часть. Понять, какие персонажи принадлежат друг другу, — сложная задача.
Методы обнаружения зон
| Метод | Как это работает | Наилучший вариант для |
|---|---|---|
| Автоматическое определение зоны | Механизм OCR анализирует шаблоны пробелов для определения полей столбцов и текстовых блоков. | Чистые макеты с одинаковой шириной столбцов и прозрачными желобами. |
| Ручное рисование зон | Пользователь рисует прямоугольники вокруг каждого столбца перед обработкой OCR. | Сложные макеты с нестандартными столбцами, изображениями или рекламой. |
| Чтение спецификации заказа | Пользователь задает последовательность чтения зон после обнаружения. | Документы, в которых естественный поток столбцов не идет сверху вниз, слева направо. |
Попробуйте PDF-распознавание текста
Никакой установки не требуется. Работает прямо в вашем браузере.
Выполнение многостолбцового OCR
Загрузите PDF-файл в инструмент OCR, который поддерживает обработку на основе зон. Если инструмент предлагает автоматическое обнаружение зон, запустите его и просмотрите обнаруженные зоны. Откорректируйте неправильно идентифицированные зоны вручную. Укажите порядок чтения. Запустите OCR. В выводе сохраняется структура столбца.
WukongPDF Инструменты оптического распознавания символов обрабатывают отсканированные документы. Многоколоночная обработка Scanned PDF создает текст в правильном порядке чтения.
Проверка порядка чтения
После OCR прочитайте образец абзаца, который охватывает границы столбцов в оригинале. Вывод OCR должен правильно проходить от нижней части одного столбца к верхней части следующего. Если предложения разбиты по границам столбцов или текст из разных столбцов перемешан, значит, определение зон или порядок чтения были неправильными.
Проверка порядка чтения формата PDF подтверждает, что выходные данные OCR соответствуют предполагаемой последовательности чтения исходного макета.
Обработка смешанных страниц с одной и несколькими колонками
Журнальная статья может начинаться с заголовка в одну колонку, переходить к основному тексту в три колонки и заканчиваться резюме в одну колонку. Обнаружение зоны OCR должно правильно обрабатывать эти переходы. Каждый раздел страницы получает соответствующую конфигурацию зоны.
Для обработки смешанного макета OCR PDF требуется определение зоны для каждого раздела, а не для каждой страницы.
Прежде чем запускать распознавание текста для всего документа, проверьте определение зоны на каждом типе страниц.
Сохранение порядка чтения для программ чтения с экрана
Порядок чтения вывода OCR определяет, как программы чтения с экрана перемещаются по документу. Правильный порядок чтения означает, что программа чтения с экрана читает первый столбец сверху вниз, а затем второй столбец сверху вниз. Неправильный порядок чтения означает, что чтение выполняется по столбцам, что приводит к непонятному выводу.
Спецификация порядка чтения Scanned PDF для обеспечения доступности гарантирует, что результаты оптического распознавания символов будут пригодны для использования вспомогательными технологиями.
После оптического распознавания проверьте документ с помощью программы чтения с экрана. Тест выявляет ошибки порядка чтения, которые не замечает визуальный осмотр.
OCR для документов с изображениями, встроенными в столбцы
Изображения внутри столбцов нарушают поток текста. Механизм оптического распознавания символов должен распознавать границу изображения и обрабатывать текст выше и ниже как часть одного и того же столбца, а не как отдельные текстовые блоки.
Разделение изображения и текста в формате PDF при распознавании нескольких столбцов требует, чтобы механизм распознавал, что изображения не являются текстом и не должны прерывать поток столбцов.
Вручную просматривайте страницы со встроенными изображениями. Автоматическое обнаружение зон может дать сбой на границах изображения.
Создание шаблона зоны для повторяющихся форматов публикаций
Если вы регулярно распознаете один и тот же формат публикации, создайте шаблон зоны. Шаблон определяет позиции столбцов, области изображений и порядок чтения для этого конкретного макета. Применяйте шаблон к каждому новому выпуску.
Шаблон зоны OCR PDF для повторяющихся публикаций устраняет необходимость перенастраивать обнаружение зоны для каждого документа.
Обновите шаблон, когда публикация меняет свой макет. Шаблон, который был правильным для формата прошлого года, может оказаться неправильным для этого года.
Работа с изменениями ширины столбцов
В некоторых макетах ширина столбцов варьируется от страницы к странице. Страница с тремя колонками, за которой следует страница с двумя колонками. Обнаружение зоны должно адаптироваться к каждой странице индивидуально.
Постраничное обнаружение зон OCR PDF обрабатывает макеты, в которых изменяется конфигурация столбцов.
Использование вывода OCR для восстановления границ исходной статьи
После OCR используйте распознанный текст для определения границ статьи. Заголовки, подписи и маркеры продолжения указывают, где начинаются и заканчиваются статьи.
Функция обнаружения границ статьи Scanned PDF из результатов оптического распознавания символов позволяет разделить документ на отдельные статьи.
Попробуйте PDF-распознавание текста
Никакой установки не требуется. Работает прямо в вашем браузере.