قابل جست‌وجو کردن PDF اسکن‌شده با OCR

از کجا بفهمیم به OCR نیاز داریم

سعی کنید یک سطر از متن PDF را انتخاب کنید. اگر نشانگر کلمات را تک‌تک انتخاب می‌کند، فایل از قبل لایه متن دارد. اگر چیزی انتخاب نمی‌شود یا کل صفحه به‌صورت یک تصویر انتخاب می‌شود، فایل اسکن است و به OCR نیاز دارد.

این موضوع برای پیدا کردن یک بند در یک قرارداد طولانی، نقل‌قول از یک گزارش یا قابل جست‌وجو کردن یک بایگانی اهمیت دارد.

گام‌به‌گام

OCR PDF را باز کنید و سند اسکن‌شده خود را بارگذاری کنید. ابزار هر صفحه را می‌خواند و یک لایه متن پشت تصویر می‌سازد.

نتیجه را دانلود کنید. ظاهرش کاملاً یکسان است، اما حالا می‌توانید متن را انتخاب، کپی و جست‌وجو کنید و ابزارهای دیگر هم می‌توانند آن را بخوانند.

گرفتن بهترین نتیجه

دقت OCR به کیفیت اسکن بستگی دارد. اسکن‌های صاف، پرکنتراست و با نور کافی تقریباً بی‌نقص خوانده می‌شوند؛ اسکن‌های کج یا کم‌رنگ خطای بیشتری دارند. صاف کردن یک اسکن کج پیش از OCR نتیجه را بهتر می‌کند.

اگر چند عدد حیاتی در سند هست، همیشه آن‌ها را با نسخه اصلی مقایسه کنید، چون هیچ OCRی روی اسکن‌های بی‌کیفیت بی‌نقص نیست.

چرا اسکن به OCR نیاز دارد

PDF اسکن‌شده شبیه یک سند است، اما برای رایانه فقط تصویری از آن است. نمی‌توانید متن را انتخاب، جست‌وجو یا کپی کنید، چون اصلاً متنی آنجا نیست؛ فقط تصویری از جوهر روی کاغذ. OCR (نویسه‌خوان نوری) شکل‌های آن تصویر را می‌خواند و نویسه‌های واقعی را بازسازی می‌کند و تصویر را به یک لایه متن واقعی، قابل جست‌وجو و قابل انتخاب در زیر صفحه تبدیل می‌کند.

این همان گامی است که راه همه کارهای دیگر را باز می‌کند: وقتی اسکن لایه متن داشته باشد، می‌توانید آن را جست‌وجو کنید، از آن کپی کنید، به Word تبدیلش کنید و ویرایشش کنید. بدون OCR، یک قرارداد اسکن‌شده عملاً عکسی است که نمی‌توانید با آن کار کنید.

گرفتن نتیجه دقیق

دقت OCR به‌شدت به کیفیت اسکن بستگی دارد. یک اسکن تمیز، پرکنتراست و صاف از متن چاپی تقریباً بی‌نقص خوانده می‌شود. یک فتوکپی کم‌رنگ، صفحه‌ای که با زاویه عکاسی شده یا دست‌خط بسیار دشوارتر است. برای بهترین نتیجه، در نور خوب اسکن یا عکاسی کنید، صفحه را صاف و روبه‌رو نگه دارید و از بالاترین وضوح معقول استفاده کنید.

اگر صفحه‌ای کج درآمده، صاف کردن آن پیش از OCR با صاف کردن PDF تشخیص را به‌طور محسوسی بهتر می‌کند، چون OCR سطرهای افقی متن را وقتی واقعاً افقی باشند مطمئن‌تر می‌خواند.

پس از OCR چه کنیم

وقتی اسکن قابل جست‌وجو شد، می‌توانید از آن استفاده کنید: آن را به Word تبدیل کنید تا کاملاً قابل ویرایش شود، نقل‌قول‌ها یا ارقام را از آن کپی کنید، یا صرفاً آن را به‌عنوان یک PDF بایگانی نگه دارید که بعداً با جست‌وجوی متنش پیدا شود. برای دسته‌های بزرگ از سوابق اسکن‌شده، OCR همان چیزی است که انبوهی از تصاویر بی‌استفاده را به یک کتابخانه قابل جست‌وجو تبدیل می‌کند.