報紙和雜誌將文字排列在多列中，蜿蜒穿過頁面。故事從左上角開始，繼續向下第一列，跳到第二列頂部，繼續向下，並可能再次跳到第七頁。在單列文件上訓練的 OCR 引擎很難適應這種佈局。引擎讀取整個頁面，從第一列和第二列抓取文本，就像它們是一行一樣。輸出是一團混亂，來自不同列的句子交錯排列。
多列佈局的 OCR 要求引擎在識別文字之前檢測列邊界。此頁面分為多個區域。每個區域都是獨立處理的。每個區域的文本都按照正確的閱讀順序進行組合。結果讀取正確，因為每一列都被視為單獨的文字區域。
多列佈局的 OCR PDF 挑戰不是字元辨識。這是區域檢測。識別角色是比較容易的部分。知道哪些角色屬於一起是困難的部分。
區域檢測方法
| 方法 | 工作原理 | 最適合 |
|---|---|---|
| 自動區域偵測 | OCR 引擎分析空白模式以識別列裝訂線和文字區塊 | 佈局簡潔，列寬一致，裝訂線清晰 |
| 手動區域繪製 | 使用者在 OCR 處理之前在每列周圍繪製矩形 | 具有不規則列、圖像或廣告的複雜佈局 |
| 閱讀順序規範 | 使用者指定檢測後讀取區域的順序 | 自然列流不是從上到下從左到右的文檔 |
執行多列 OCR
將 PDF 上傳到支援基於區域的處理的 OCR 工具。如果該工具提供自動區域檢測，請執行它並檢查偵測到的區域。手動調整任何錯誤識別的區域。指定閱讀順序。運行 OCR。輸出保留列結構。
WukongPDF OCR 工具處理掃描文件。 掃描的 PDF多列處理以正確的閱讀順序產生文字。
驗證閱讀順序
OCR 後，閱讀原文中跨越列邊界的範例段落。 OCR 輸出應正確地從一列的底部流向下一列的頂部。如果句子在列邊界處斷開或來自不同列的文字混合，則區域偵測或閱讀順序不正確。
PDF 格式閱讀順序驗證確認 OCR 輸出與原始版面的預期閱讀順序相符。
處理混合的單列和多列頁面
雜誌文章可能以單欄標題開始，切換到三欄正文，並以單欄摘要結束。 OCR 區域偵測必須正確處理這些轉換。每個頁面部分都會接收適當的區域配置。
OCR PDF 混合佈局處理需要按部分區域檢測，而不是按頁面檢測。
在對整個文件執行 OCR 之前，檢查每種頁面類型的區域檢測。
保留螢幕閱讀器的閱讀順序
OCR 輸出閱讀順序決定螢幕閱讀器如何導覽文件。正確的閱讀順序意味著螢幕閱讀器從上到下閱讀第一列，然後從上到下閱讀第二列。不正確的讀取順序意味著它會跨列讀取，從而產生難以理解的輸出。
用於輔助功能的掃描 PDF閱讀順序規格確保 OCR 輸出可供輔助技術使用。
OCR 後，使用螢幕閱讀器測試文件。此測試揭示了目視檢查遺漏的閱讀順序錯誤。
對列中嵌入影像的文件進行 OCR
列內的圖像打破了文字流。 OCR 引擎必須識別圖像邊界，並將上方和下方的文字視為同一列的一部分，而不是單獨的文字區塊。
多列 OCR 期間的 PDF 格式圖像文本分離要求引擎識別圖像不是文本，並且不應中斷列流。
手動查看嵌入圖像的頁面。自動區域偵測可能會在影像邊界處失敗。
為定期發布格式建立區域模板
如果您定期對相同的出版格式進行 OCR，請建立區域範本。此範本定義了該特定佈局的列位置、影像區域和閱讀順序。將模板套用於每個新問題。
用於重複出版物的 OCR PDF 區域範本無需為每個文件重新配置區域檢測。
當出版物更改其佈局時更新模板。去年格式正確的模板今年可能會錯誤。
處理列寬變化
某些佈局的列寬因頁面而異。一個三欄頁面，後面跟著一個兩欄頁面。區域檢測必須單獨適應每個頁面。
OCR PDF 每頁區域可偵測可處理列配置變更的佈局。
使用 OCR 輸出重建原始文章邊界
OCR後，使用辨識的文字來辨識文章邊界。標題、署名和繼續標記指示文章的開始和結束位置。
OCR 輸出中的掃描的 PDF文章邊界檢測使文件能夠被分割成單獨的文章。