स्कॅन केलेल्या PDF मधील मजकूर का शोधता येत नाही? OCR वापरून शोधता येणारा मजकूर स्तर जोडा

तुम्हाला PDF मधील मजकूर दिसतो, पण एखादे वाक्य निवडता येत नाही किंवा पृष्ठावर स्पष्टपणे दिसणारे नाव शोधूनही सापडत नाही. अशी फाइल बहुधा स्कॅन केलेली प्रत असते: रीडरला संपूर्ण पृष्ठाची प्रतिमा दिसते आणि त्यात शोधता येईल असा मजकूर नसतो.

OCR म्हणजेच ऑप्टिकल कॅरेक्टर रिकग्निशन, या प्रतिमांमधील मजकूर ओळखण्याचा प्रयत्न करते. PDF Smart Kit मधील—OCR PDF—हे साधन पृष्ठाची प्रतिमा कायम ठेवून त्यावर शोधता येणारा मजकूर स्तर जोडते, त्यामुळे माहिती शोधणे आणि कॉपी करणे अधिक सोपे होते.

मात्र OCR स्कॅन केलेली प्रतिमा पुन्हा “मूळ Word फाइलमध्ये” रूपांतरित करत नाही. ते प्रतिमेतील अक्षरे ओळखते; मूळ परिच्छेद रचना, फॉन्ट किंवा जटिल मांडणी आपोआप परत मिळवत नाही.

प्रथम या फाइलला OCR ची गरज आहे का ते ठरवा

PDF रीडरमध्ये फाइल उघडा, मजकुराची एखादी ओळ निवडून पाहा आणि नंतर एखादा वैशिष्ट्यपूर्ण शब्द शोधा. मजकूर नेहमीप्रमाणे निवडता आणि शोधता येत असल्यास, फाइलमध्ये आधीपासून वापरण्यायोग्य मजकूर स्तर असू शकतो आणि पुन्हा ओळख प्रक्रिया करण्याची गरज नसू शकते.

काही फाइलमधील फक्त काही पृष्ठे स्कॅन केलेली असतात; काही भाग मजकुरासारखा दिसतो, पण प्रत्यक्षात तो रेखाटलेला बाह्यरेषांचा आकार असतो. काही फाइलवर परवानगीसंबंधी निर्बंधही असतात. मजकूर कॉपी करता येत नाही याचा अर्थ नेहमीच “मजकूर स्तर नाही” असा होत नाही.

तुमच्याकडे PDF ऐवजी मोबाइलने काढलेला फोटो असल्यास, आधी यापैकी एखादे साधन वापरा—स्कॅन ते PDF—किंवा—JPG ते PDF—त्यातून PDF तयार करा आणि नंतर OCR करा.

ओळख प्रक्रिया सुरू करण्यापूर्वी स्रोत फाइल तयार करा

OCR चा परिणाम पृष्ठाच्या स्पष्टतेवर अवलंबून असतो. फोटो काढताना कागद शक्य तितका सपाट ठेवा आणि सावल्या, प्रकाशाचे प्रतिबिंब व स्पष्ट तिरकेपणा टाळा. पृष्ठाच्या कडा कापल्या गेल्या असतील किंवा अक्षरे पूर्णपणे धूसर झाली असतील, तर ओळख प्रोग्रामला हरवलेली माहिती पुन्हा मिळवणे कठीण जाते.

पृष्ठाची दिशा चुकीची असल्यास, आधी हे साधन वापरा—PDF फिरवा—दिशा दुरुस्त करा आणि मग ओळख प्रक्रिया करा. फाइलचा आकार कमी करण्यासाठी मजकूर वाचता येणार नाही इतका आधीच संकुचित करू नका.

खूप मोठ्या स्कॅन केलेल्या दस्तऐवजासाठी, तुम्ही आधीअर्क काढानमुना म्हणून प्रातिनिधिक आशय असलेली काही पाने निवडा. फक्त सर्वांत स्पष्ट पहिले पान तपासण्याऐवजी मुख्य मजकूर, तक्ते आणि तुलनेने अस्पष्ट असलेले एखादे पानही समाविष्ट केल्यास अधिक उपयुक्त निष्कर्ष मिळतील.

तीन टप्प्यांत शोधता येणारी PDF तयार करा

1. PDF निवडा आणि OCR भाषा तपासा

उघडाOCR PDF, प्रक्रिया करायची PDF निवडा. साधनात भाषा स्वयंचलितपणे ओळखण्याचा आणि भाषा स्वतः निवडण्याचा असे दोन्ही पर्याय उपलब्ध आहेत.

दस्तऐवजाची मुख्य भाषा तुम्हाला निश्चितपणे माहीत असल्यास, ती भाषा स्वतः निवडू शकता. “वेबपृष्ठाचा इंटरफेस चिनी भाषेत आहे” याचा अर्थ “प्रत्येक फाइल चिनी भाषा म्हणूनच ओळखली जाईल” असा समजू नका: इंटरफेसची भाषा आणि OCR ओळख भाषा या दोन वेगळ्या सेटिंग्ज आहेत.

AI संकल्पना चित्र: स्कॅन केलेल्या प्रतिमेवर शोधता येणारा मजकूर स्तर जोडणे; प्रत्यक्ष ओळख परिणामांची तरीही पडताळणी करणे आवश्यक आहे.

2. शोधता येणारा मजकूर स्तर हा पर्याय सुरू ठेवा

वाचकाला मजकूर शोधता आणि कॉपी करता यावा हे उद्दिष्ट असल्यास, OCR चालवण्यापूर्वी “शोधता येणारा मजकूर स्तर” हा पर्याय सुरू ठेवा. प्रक्रिया पूर्ण होईपर्यंत पृष्ठ उघडे ठेवा, विशेषतः पाने जास्त असतील किंवा डिव्हाइसची मेमरी कमी असेल तेव्हा.

ओळख प्रक्रिया सध्याच्या ब्राउझरमध्ये केली जाते आणि PDF मधील आशय ॲप्लिकेशन सर्व्हरवर अपलोड केला जात नाही. प्रथमच वापरताना किंवा ओळख भाषा बदलताना संबंधित प्रोग्राम आणि भाषेचा डेटा लोड करावा लागू शकतो; त्यामुळे स्थानिक प्रक्रिया म्हणजे नेटवर्कवरून संसाधने लोड करण्याची गरजच नाही, असे नाही.

3. परिणाम डाउनलोड करा, नंतर शोध आणि कॉपी तपासा

आउटपुट फाइल उघडा आणि एखाद्या व्यक्तीचे नाव, काही अंकांचा समूह व एक पूर्ण वाक्यांश शोधा; त्यानंतर मजकुराचा छोटा भाग कॉपी करून टेक्स्ट एडिटरमध्ये पेस्ट करा आणि त्यात चुकीची अक्षरे, पुनरावृत्ती किंवा विस्कळीत क्रम आहे का ते तपासा.

दोन स्तंभांची मांडणी, अनेक ओळींमध्ये पसरलेले तक्ते, तळटीपा आणि मिश्र भाषेतील सामग्री यांमध्ये कॉपी केलेल्या मजकुराचा वाचनक्रम दृश्य क्रमाशी पूर्णपणे जुळेलच असे नाही. शब्द शोधता येणे आणि संपूर्ण मजकूर अचूक असणे या दोन वेगळ्या गोष्टी आहेत.

या बाबींची विशेषतः मानवी पडताळणी आवश्यक आहे

• व्यक्तींची नावे, संस्थांची नावे, दुर्मीळ अक्षरे आणि हस्तलिखित टिप्पण्या.
• ओळख क्रमांक, तारखा, रक्कम, दशांश चिन्हे आणि ऋण चिन्हे.
• सहज गोंधळ होणारी वर्णे, उदाहरणार्थ अंक 0 आणि अक्षर O.
• तक्त्यातील संख्यांचा ओळ व स्तंभ शीर्षकांशी असलेला संबंध.

पानावरील प्रतिमा बदललेली दिसत नाही, याचा अर्थ नव्याने जोडलेला लपवलेला मजकूर स्तर नक्कीच अचूक आहे असा होत नाही. करार, पावत्या आणि अभिलेखांसाठी मूळ प्रतिमेचाच पडताळणीचा आधार म्हणून वापर करावा; तपासणी न केलेला ओळखलेला मजकूर महत्त्वाच्या व्यावसायिक निर्णयांसाठी थेट वापरू नका.

सामान्य प्रश्न

OCR केल्यानंतर संपूर्ण लेख Word प्रमाणे संपादित करता येतो का?

याची हमी देता येत नाही. OCR चे मुख्य कार्य मजकूर शोधण्यायोग्य आणि निवडण्यायोग्य बनवणे आहे. तुम्हाला Word फाइलही हवी असल्यास, तुम्ही पुढे हे वापरून पाहू शकता:PDF ते Word; मात्र मांडणी आणि मजकूर अजूनही हाताने दुरुस्त करावा लागू शकतो.

ओळखलेली नावे किंवा संख्या चुकीची का आहेत?

प्रथम मूळ स्कॅन स्पष्ट आहे का, त्याची दिशा योग्य आहे का आणि ओळखीसाठी निवडलेली भाषा योग्य आहे का ते तपासा. एकाच अस्पष्ट स्कॅनवर वारंवार प्रक्रिया करण्यापेक्षा मूळ प्रतिमेची गुणवत्ता सुधारणे सहसा अधिक उपयुक्त ठरते. OCR प्रत्येक अक्षर अचूक ओळखेल याची हमी देत नाही; विशेषतः हस्तलिखित मजकुराबाबत सावधगिरी आवश्यक आहे.

ओळख प्रक्रिया पूर्ण झाल्यानंतर मूळ स्कॅन केलेली प्रत हटवावी का?

मूळ प्रत जतन करून ठेवण्याची शिफारस केली जाते. आउटपुट दैनंदिन शोध आणि व्यवस्थापनासाठी योग्य असते, तर मूळ फाइल पडताळणीसाठी आणि गरज पडल्यास पुन्हा प्रक्रिया करण्यासाठी उपयुक्त ठरते.

तुमची मुख्य समस्या “माहिती सापडत नाही किंवा मजकूर सहज कॉपी करता येत नाही” अशी असल्यास, प्रथम काही नमुना पृष्ठांवरOCR PDF वापरून पाहाआणि परिणाम तुमच्या दस्तऐवजांसाठी योग्य असल्याची खात्री केल्यानंतरच संपूर्ण सामग्रीवर प्रक्रिया करा.