Paano gawing searchable ang na-scan na PDF gamit ang OCR

Paano malalaman kung kailangan mo ng OCR

Subukang pumili ng isang linya ng teksto sa PDF. Kung nai-highlight ng cursor mo ang bawat salita, may text layer na ito. Kung walang napipili, o buong pahina ang nai-highlight bilang iisang larawan, scan ito na kailangan ng OCR.

Mahalaga ito sa paghahanap ng isang probisyon sa mahabang kontrata, pagsipi mula sa isang report, o paggawang searchable ng isang archive.

Hakbang-hakbang

Buksan ang OCR PDF at i-upload ang iyong na-scan na dokumento. Binabasa ng tool ang bawat pahina at bumubuo ng text layer sa likod ng larawan.

I-download ang resulta. Pareho pa rin ang itsura nito, pero puwede mo nang piliin, kopyahin at hanapin ang teksto, at nababasa na rin ito ng ibang tool.

Paano makuha ang pinakamagandang resulta

Nakadepende ang katumpakan ng OCR sa kalidad ng scan. Halos perpektong nababasa ang mga scan na tuwid, mataas ang contrast at maliwanag; mas maraming mali ang lumalabas sa mga nakatagilid o malabong scan. Gumaganda ang resulta kapag itinuwid muna ang nakatagilid na scan.

Para sa ilang kritikal na numero, laging i-double check ang mga ito sa orihinal, dahil walang OCR na perpekto sa mahinang scan.

Bakit kailangan ng OCR ang isang scan

Mukhang dokumento ang na-scan na PDF, pero para sa computer ay larawan lang ito ng dokumento. Hindi mo mapipili, mahahanap o makokopya ang teksto, dahil walang teksto roon — larawan lang ng tinta sa papel. Binabasa ng OCR (optical character recognition) ang mga hugis sa larawang iyon at binubuo muli ang mga tunay na character, kaya nagiging tunay, searchable at napipiling text layer sa ilalim ng pahina ang larawan.

Ito ang hakbang na nagbubukas sa lahat ng iba pa: kapag may text layer na ang scan, puwede mo na itong hanapan, kopyahan, i-convert sa Word at i-edit. Kung walang OCR, ang na-scan na kontrata ay parang litratong hindi mo mapapakinabangan.

Paano makakuha ng tumpak na resulta

Malaki ang nakasalalay sa kalidad ng scan pagdating sa katumpakan ng OCR. Halos perpektong nababasa ang malinis, mataas ang contrast at tuwid na scan ng naka-print na teksto. Mas mahirap nang malayo ang malabong photocopy, pahinang kinunan nang pahilis, o sulat-kamay. Para sa pinakamagandang resulta, mag-scan o kumuha ng litrato sa magandang ilaw, panatilihing patag at diretso ang pahina, at gamitin ang pinakamataas na makatwirang resolution.

Kung lumabas na baluktot ang isang pahina, kapansin-pansing gumaganda ang pagkilala kapag itinuwid muna ito gamit ang Ituwid ang PDF, dahil mas maaasahang nababasa ng OCR ang mga pahalang na linya ng teksto kapag talagang pahalang ang mga ito.

Ano ang gagawin pagkatapos ng OCR

Kapag searchable na ang scan, mapapakinabangan mo na ito: i-convert sa Word para buong ma-edit, kumopya ng mga sipi o numero mula rito, o itago lang ito bilang naka-archive na PDF na mahahanap mo sa ibang araw sa pamamagitan ng paghahanap sa teksto nito. Para sa malalaking bungkos ng na-scan na record, ang OCR ang gumagawa sa walang-silbing tambak ng larawan bilang isang searchable na library.