Kwa nini maandishi hayawezi kutafutwa katika PDF iliyochanganuliwa? Tumia OCR kuongeza safu ya maandishi yanayoweza kutafutwa

Unaweza kuona maandishi katika PDF, lakini huwezi kuchagua sentensi wala kupata kwa utafutaji jina ambalo linaonekana wazi kwenye ukurasa. Huenda faili kama hii ni hati iliyochanganuliwa: kisomaji huona picha ya ukurasa mzima, bila maudhui ya maandishi yanayoweza kutafutwa.

OCR, yaani utambuzi wa herufi kwa macho, inaweza kujaribu kutambua maandishi katika picha hizi. Zana ya PDF Smart Kit yaOCR PDFhuongeza safu ya maandishi yanayoweza kutafutwa huku ikihifadhi picha za kurasa, ili kurahisisha utafutaji na unakili wa maudhui.

Hata hivyo, OCR hairejeshi picha iliyochanganuliwa kuwa “Word ya awali”. Inatambua herufi zilizo kwenye picha, lakini haiwezi kurejesha kiotomatiki muundo wa awali wa aya, fonti au mpangilio changamano.

Kwanza, tambua kama faili hii inahitaji OCR

Fungua faili kwa kisomaji cha PDF, jaribu kuchagua mstari mmoja wa maandishi, kisha utafute neno la kipekee. Ikiwa unaweza kuchagua na kutafuta kama kawaida, huenda tayari ina safu ya maandishi inayoweza kutumika na si lazima kuitambua upya.

Baadhi ya faili zina kurasa chache tu zilizochanganuliwa; nyingine zinaonekana kuwa na maandishi, lakini kwa kweli ni maumbo yaliyochorwa. Pia kuna faili zilizo na vizuizi vya ruhusa. Kutoweza kunakili maandishi hakumaanishi kila mara kuwa “hakuna safu ya maandishi”.

Ikiwa ulicho nacho ni picha zilizopigwa kwa simu badala ya PDF, unaweza kwanza kutumiaChanganua kuwa PDFauJPG kuwa PDFkuzipanga kuwa PDF, kisha utekeleze OCR.

Andaa faili chanzo kabla ya utambuzi

Matokeo ya OCR hutegemea uwazi wa kurasa. Unapopiga picha, jaribu kuweka karatasi ikiwa tambarare na uepuke vivuli, mng’ao na kuinama kupita kiasi. Ikiwa kingo za ukurasa zimekatwa au maandishi yamefifia kabisa, programu ya utambuzi haiwezi kurejesha kwa urahisi taarifa zilizopotea.

Ikiwa mwelekeo wa ukurasa si sahihi, tumia kwanzaZungusha PDFkuurekebisha kabla ya kutekeleza utambuzi. Usibanane maandishi hadi yasomeke kwa shida kwa lengo la kupunguza ukubwa wa faili.

Kwa hati ndefu sana iliyochanganuliwa, unaweza kwanzaToakurasa kadhaa zenye maudhui wakilishi kama sampuli. Jumuisha maandishi makuu, majedwali na ukurasa mmoja usioonekana vizuri; hii hutoa marejeleo bora kuliko kujaribu ukurasa wa kwanza ulio wazi zaidi pekkee.

Hatua tatu za kuunda PDF inayoweza kutafutwa

1. Chagua PDF na ukague lugha ya OCR

FunguaOCR PDF, kisha uchague PDF unayotaka kuchakata. Zana hutoa njia mbili: kutambua lugha kiotomatiki na kuchagua lugha mwenyewe.

Ikiwa unajua vizuri lugha kuu ya hati, unaweza kuchagua lugha hiyo mwenyewe. Usidhani kwamba “kiolesura cha wavuti kinatumia Kichina” humaanisha “kila faili litatambuliwa kama la Kichina”: lugha ya kiolesura na lugha ya utambuzi wa OCR ni mipangilio miwili tofauti.

Mchoro wa dhana ya AI: kuongeza safu ya maandishi inayoweza kutafutwa juu ya picha iliyochanganuliwa; matokeo halisi ya utambuzi bado yanahitaji kukaguliwa.

2. Acha chaguo la safu ya maandishi inayoweza kutafutwa likiwa limewashwa

Ikiwa lengo ni kuwezesha kisomaji kutafuta na kunakili maandishi, acha chaguo la “safu ya maandishi inayoweza kutafutwa” likiwa limewashwa kabla ya kutekeleza OCR. Wakati wa kusubiri, usifunge ukurasa, hasa ikiwa hati ina kurasa nyingi au kifaa kina kumbukumbu ndogo.

Utambuzi hufanyika katika kivinjari cha sasa na maudhui ya PDF hayapakiwi kwenye seva ya programu. Unapotumia kwa mara ya kwanza au kubadilisha lugha ya utambuzi, huenda programu na data ya lugha husika zikahitaji kupakiwa. Kwa hivyo, uchakataji wa ndani haumaanishi kuwa rasilimali hazihitaji kupakiwa kupitia mtandao.

3. Pakua matokeo, kisha uthibitishe utafutaji na unakilishaji

Fungua faili la matokeo, utafute jina la mtu, mfululizo wa nambari na kirai kamili; kisha nakili kipande kifupi cha maandishi kwenye kihariri cha maandishi ili ukague kama kuna makosa ya herufi, marudio au mpangilio uliochanganyika.

Kwa hati zenye mpangilio wa safu mbili, majedwali yanayoenea kwenye mistari kadhaa, tanbihi na lugha mchanganyiko, mpangilio wa usomaji wa maandishi yaliyonakiliwa huenda usilingane kabisa na mpangilio unaoonekana. Kuweza kupata maneno na kuwa na maandishi yote yaliyo sahihi ni mambo mawili tofauti.

Maudhui haya yanahitaji ukaguzi wa mtu hasa

• Majina ya watu, majina ya mashirika, vibambo adimu na maelezo yaliyoandikwa kwa mkono.
• Nambari za utambulisho, tarehe, kiasi cha fedha, nukta za desimali na alama za hasi.
• Vibambo vinavyoweza kuchanganywa kwa urahisi, kwa mfano tarakimu 0 na herufi O.
• Ulinganifu wa thamani katika jedwali na vichwa vya safu mlalo na safu wima.

Kuonekana kwa picha ya ukurasa bila mabadiliko hakumaanishi kuwa safu mpya ya maandishi iliyofichwa ni sahihi. Kwa mikataba, stakabadhi na kumbukumbu, picha asili bado zinapaswa kutumika kama msingi wa ukaguzi; usitumie moja kwa moja maandishi yaliyotambuliwa ambayo hayajakaguliwa kufanya maamuzi muhimu ya biashara.

Maswali Yanayoulizwa Mara kwa Mara

Baada ya OCR, je, ninaweza kuhariri makala yote kama katika Word?

Hilo haliwezi kuhakikishwa. Kazi kuu ya OCR ni kuongeza maandishi yanayoweza kutafutwa na kuchaguliwa. Ikiwa bado unahitaji faili ya Word, unaweza kuendelea kujaribuPDF hadi Wordlakini mpangilio na maandishi huenda bado vikahitaji kusahihishwa mwenyewe.

Kwa nini majina au nambari zilizotambuliwa si sahihi?

Kwanza hakikisha kuwa skani asili iko wazi, mwelekeo ni sahihi, na lugha inayotumika kutambua inafaa. Kuboresha ubora wa picha asili kwa kawaida husaidia zaidi kuliko kuchakata tena na tena skani ileile isiyo wazi. OCR haihakikishi kuwa herufi zote zitakuwa sahihi; hasa maudhui yaliyoandikwa kwa mkono yanahitaji kuhakikiwa kwa makini.

Baada ya utambuzi kukamilika, je, nifute skani asili?

Inapendekezwa kuhifadhi faili asili. Tokeo linafaa kwa utafutaji na upangaji wa kila siku, huku faili asili ikiwezesha uhakiki na uchakataji upya inapohitajika.

Ikiwa tatizo lako kuu ni “kutopata nyaraka au ugumu wa kunakili maudhui”, unaweza kuanza na sampuli ya kurasa chache ilikujaribu OCR PDFkisha, baada ya kuthibitisha kuwa matokeo yanafaa kwa hati zako, uchakate nyaraka zote.