报纸和杂志将文本排列在多列中，蜿蜒穿过页面。故事从左上角开始，继续向下第一列，跳到第二列顶部，继续向下，并可能再次跳到第七页。在单列文档上训练的 OCR 引擎很难适应这种布局。引擎读取整个页面，从第一列和第二列抓取文本，就像它们是一行一样。输出是一团混乱，来自不同列的句子交错排列。
多列布局的 OCR 要求引擎在识别文本之前检测列边界。该页面分为多个区域。每个区域都是独立处理的。每个区域的文本都按照正确的阅读顺序进行组合。结果读取正确，因为每一列都被视为单独的文本区域。
多列布局的 OCR PDF 挑战不是字符识别。这是区域检测。识别角色是比较容易的部分。知道哪些角色属于一起是困难的部分。
区域检测方法
| 方法 | 工作原理 | 最适合 |
|---|---|---|
| 自动区域检测 | OCR 引擎分析空白模式以识别列装订线和文本块 | 布局简洁，列宽一致，装订线清晰 |
| 手动区域绘制 | 用户在 OCR 处理之前在每列周围绘制矩形 | 具有不规则列、图像或广告的复杂布局 |
| 阅读顺序规范 | 用户指定检测后读取区域的顺序 | 自然列流不是从上到下从左到右的文档 |
执行多列 OCR
将 PDF 上传到支持基于区域的处理的 OCR 工具。如果该工具提供自动区域检测，请运行它并检查检测到的区域。手动调整任何错误识别的区域。指定阅读顺序。运行 OCR。输出保留列结构。
WukongPDF OCR 工具处理扫描文档。 扫描的 PDF多列处理以正确的阅读顺序生成文本。
验证阅读顺序
OCR 后，阅读原文中跨越列边界的示例段落。 OCR 输出应正确地从一列的底部流向下一列的顶部。如果句子在列边界处断开或来自不同列的文本混合，则区域检测或阅读顺序不正确。
PDF 格式阅读顺序验证确认 OCR 输出与原始布局的预期阅读顺序相匹配。
处理混合的单列和多列页面
杂志文章可能以单栏标题开始，切换到三栏正文，并以单栏摘要结束。 OCR 区域检测必须正确处理这些转换。每个页面部分都会接收适当的区域配置。
OCR PDF 混合布局处理需要按部分区域检测，而不是按页面检测。
在对整个文档运行 OCR 之前，检查每种页面类型的区域检测。
保留屏幕阅读器的阅读顺序
OCR 输出阅读顺序决定屏幕阅读器如何导航文档。正确的阅读顺序意味着屏幕阅读器从上到下阅读第一列，然后从上到下阅读第二列。不正确的读取顺序意味着它会跨列读取，从而产生难以理解的输出。
用于辅助功能的扫描 PDF阅读顺序规范确保 OCR 输出可供辅助技术使用。
OCR 后，使用屏幕阅读器测试文档。该测试揭示了目视检查遗漏的阅读顺序错误。
对列中嵌入图像的文档进行 OCR
列内的图像打破了文本流。 OCR 引擎必须识别图像边界，并将上方和下方的文本视为同一列的一部分，而不是单独的文本块。
多列 OCR 期间的 PDF 格式图像文本分离要求引擎识别图像不是文本，并且不应中断列流。
手动查看嵌入图像的页面。自动区域检测可能会在图像边界处失败。
为定期发布格式创建区域模板
如果您定期对相同的出版物格式进行 OCR，请创建区域模板。该模板定义了该特定布局的列位置、图像区域和阅读顺序。将模板应用于每个新问题。
用于重复出版物的 OCR PDF 区域模板无需为每个文档重新配置区域检测。
当出版物更改其布局时更新模板。去年格式正确的模板今年可能错误。
处理列宽变化
某些布局的列宽因页面而异。一个三栏页面，后面跟着一个两栏页面。区域检测必须单独适应每个页面。
OCR PDF 每页区域检测可处理列配置发生变化的布局。
使用 OCR 输出重建原始文章边界
OCR后，使用识别的文本来识别文章边界。标题、署名和继续标记指示文章的开始和结束位置。
OCR 输出中的扫描的 PDF文章边界检测使文档能够被分割成单独的文章。