Отсканированный PDF-файл на 200 страниц содержит страницы разных типов. Первые 150 страниц представляют собой чистый печатный текст, требующий распознавания. Следующие 30 страниц — это фотографии и диаграммы, на которых нет текста, который можно было бы распознать. Последние 20 страниц представляют собой формы с рукописными записями, которые также требуют распознавания. Запуск OCR для всего документа приводит к потере времени обработки на страницах, не содержащих текста, и может привести к искажению результатов на страницах с фотографиями, поскольку механизм OCR пытается найти символы в содержимом изображения. Выборочный запуск OCR только на тех страницах, которые в этом нуждаются, более эффективен и обеспечивает более чистый результат.
Выборочное распознавание текста, иногда называемое распознаванием текста на странице или по диапазону страниц, обрабатывает только указанные страницы. Страницы, которые вы исключаете, остаются без изменений. Страницы, которые вы включаете, получают текстовый слой с возможностью поиска. Смешанный документ сохраняет исходное содержимое на всех страницах, а возможность поиска по тексту добавляется только там, где это необходимо.
Выборочный подход OCR PDF особенно ценен для больших документов, в которых распознавание полного документа занимает значительное время, а доля текстовых страниц невелика. Обработка 20 страниц из 200 происходит в десять раз быстрее, чем обработка всех 200.
Определение того, какие страницы нуждаются в распознавании текста
Прокрутите документ и определите, какие страницы содержат текст, который должен быть доступен для поиска. Текстовые страницы содержат видимые слова и символы. Страницы с фотографиями содержат изображения без текста. На страницах диаграмм есть линии, фигуры и метки, которые могут получить или не получить выгоду от оптического распознавания символов в зависимости от того, должны ли метки быть доступны для поиска. Создайте список диапазонов страниц, которым требуется распознавание текста. Для документа с текстом на страницах с 1 по 150 и со 181 по 200 диапазоны составляют 1–150 и 181–200. Страницы с 151 по 180 – это разделы с фотографиями и диаграммами, для которых не требуется распознавание текста.
Если в документе есть закладки или оглавление, используйте их для быстрого определения разделов текста. Каждый раздел с закладками, содержащий текст, является кандидатом на распознавание текста. Сканированный PDF со смешанным содержанием выигрывает от такого целевого подхода.
Попробуйте PDF-распознавание текста
Никакой установки не требуется. Работает прямо в вашем браузере.
Выполнение выборочного распознавания текста
Загрузите PDF-файл в инструмент OCR на базе браузера, который поддерживает выбор диапазона страниц. Введите диапазоны страниц, которые вы определили. Инструмент обрабатывает только эти страницы. Текстовые страницы получают текстовый слой с возможностью поиска. Страницы фотографий и схем остаются прежними. Загрузите обработанный файл. Весь документ в целости и сохранности. Были изменены только указанные страницы.
WukongPDF Инструменты OCR поддерживают выбор страниц. Выборочная обработка OCR PDF экономит время при работе с большими документами со смешанным содержимым и обеспечивает более чистый вывод, избегая необходимости оптического распознавания символов на страницах, не содержащих текста.
Проверка выборочных результатов OCR
После обработки проверьте результат распознавания на выбранных страницах. Ищите слова, которые появляются на этих страницах. Подтвердите, что поиск их находит. Затем проверьте страницу из исключенного диапазона. Убедитесь, что он выглядит неизменным. Выборочное распознавание текста должно было изменить только указанные страницы. Быстрая проверка на одной странице каждого диапазона подтверждает правильность применения выбора.
Подход выборочной обработки PDF Tools заключается в контроле качества посредством целевого применения. Обрабатывайте только то, что требует обработки. Остальное оставьте без изменений.
Сочетание выборочного оптического распознавания символов с другой обработкой страниц
Выборочная обработка не ограничивается OCR. К конкретным страницам также можно применить сжатие, настройку разрешения и преобразование цвета. Документ с цветными фотографиями высокого разрешения и черно-белыми текстовыми страницами получает преимущества от различных настроек сжатия для каждого типа страниц. Фотографии нуждаются в умеренном сжатии, чтобы сохранить детали. Текстовые страницы могут быть сильно сжаты.
Примените настройки сжатия для каждого типа страницы после OCR. Сканированный PDF со смешанным содержимым выигрывает от обработки конкретной страницы во всех операциях, а не только в распознавании текста. Относитесь к каждому типу страницы в соответствии с ее содержанием.
Документирование страниц, которые были распознаны для дальнейшего использования
При распознавании только определенных страниц документируйте, какие страницы были обработаны. Примечание в метаданных документа или сопутствующий текстовый файл со списком диапазонов страниц, распознанных с помощью OCR. Если кто-то позже просматривает документ и находит содержимое на некоторых страницах, но не на других, в документации объясняется, почему. Поиски не увенчались успехом. Эти страницы не были распознаны.
Документация по выборочной обработке OCR PDF предотвращает путаницу в отношении того, почему некоторые страницы доступны для поиска, а другие — нет. Документация занимает секунды и обеспечивает ясность для каждого будущего пользователя документа.
Разделение документа по типу страницы перед распознаванием текста
Для больших документов с четко разделенными текстовыми и нетекстовыми разделами перед распознаванием текста разделите документ по типу страницы. Поместите все текстовые страницы в один файл, а все нетекстовые страницы — в другой. OCR текстовый файл целиком. Затем объедините текстовые страницы, обработанные распознаванием текста, с неизмененными нетекстовыми страницами. Рабочий процесс разделения процесса-слияния состоит из большего количества шагов, но позволяет избежать риска неправильной идентификации страниц во время выборочного распознавания текста.
Рабочий процесс разделения OCR PDF подходит, когда текстовый и нетекстовый разделы четко разделены, а документ достаточно велик, чтобы дополнительные шаги были оправданы. Для небольших документов выборочное распознавание текста с диапазонами страниц более эффективно.
Повторное распознавание страниц, не прошедших первый проход
После выборочного распознавания на одной из обработанных страниц появляется поиск по известному вам слову. Если поиск не удался, возможно, OCR неправильно распознал текст. Повторно распознайте эту конкретную страницу, возможно, с другими настройками, например с более высоким разрешением или другой языковой моделью. Выборочный подход позволяет провести целенаправленную повторную обработку без переделки всего документа.
Scanned PDF целевая повторная обработка неудачных страниц является одним из преимуществ выборочного оптического распознавания символов. Сбой при распознавании полного документа требует повторной обработки всего документа. Выборочный сбой требует повторной обработки только тех страниц, которые в этом нуждаются.
Попробуйте PDF-распознавание текста
Никакой установки не требуется. Работает прямо в вашем браузере.