- OCR võimaldab teil dokumentide pilte muuta valitavaks ja otsitavaks tekstiks.
- Automatiseerimiseks on olemas kiired veebitööriistad ja täiustatud tarkvara, näiteks OCRmyPDF.
- PDF/A-vorming on oluline juriidilise kehtivuse ja pikaajalise arhiveerimise tagamiseks.
- OCRmyPDF ühendab Tesseracti ja GhostScripti, et optimeerida failide massilist digiteerimist.
Olen kindel, et see on teiega varemgi juhtunud: teil on hunnik skannitud pabereid või dokumentide fotosid, mis on põhimõtteliselt lihtsalt pildid, ja kui proovite otsida märksõna või kopeerida lõiku, siis arvuti lihtsalt ei tunne teksti ära . See on uskumatult masendav, eriti kui tegemist on kirjutuskaitstud failide või vanade skannitud piltidega, mis näevad välja nagu läbimatud piksliseinad.
Selle probleemi lahendamiseks peame kasutama tehnoloogiat nimega OCR (optiline märgituvastus) . Põhimõtteliselt on see süsteem, mis analüüsib digitaalseid pilte, tuvastab igale tähestiku tähele vastavad sümbolid ja teisendab need indekseeritud tekstiandmeteks . Tänu sellele saame muuta "surnud" PDF-faili aktiivseks dokumendiks, kus saate silmapilguga valida, kopeerida ja otsida mis tahes terminit.
Veebitööriistad ja kiired alternatiivid
Kui te ei soovi keeruka tarkvara installimisega vaeva näha, on olemas väga mugavad valikud. Tööriistad nagu iLovePDF integreerivad OCR-mootorid, mis võimaldavad teil skannitud failid teisendada dokumentideks, kus tekst on valitav. Nad pakuvad isegi võimalust teisendada PDF-fail redigeeritavaks Wordi vorminguks , kuigi selle protsessi maksimaalse täpsuse saavutamiseks on tavaliselt vaja Premium-versiooni.
Neile, kes eelistavad töötada lokaalselt Windowsis, on PDF24 Creator väga võimekas alternatiiv sarnaste tekstituvastusfunktsioonidega. Need tööriistad sobivad ideaalselt, kui teil on väike arv dokumente ja vajate kohest lahendust ilma tehnilistesse seadetesse laskumata.
PDF/A-vormingu ja avaliku halduse väljakutse
Professionaalsemates või juriidilistes keskkondades, näiteks Hispaania LexNET platvormi puhul , ei piisa ainult PDF-faili otsitavast olemisest. Siin tulebki mängu PDF/A standard , mis on pikaajaliseks arhiveerimiseks loodud PDF-faili optimeeritud versioon, mis eemaldab üleliigsed elemendid, mis võivad faili tulevikus loetamatuks muuta.
Paljude spetsialistide seas on väga tavaline, et nad esitavad digiteeritud dokumente, uskudes, et need vastavad nõuetele, kuid hiljem avastavad nad, et nende nõuded lükatakse protseduuriliste puuduste tõttu tagasi. Selleks, et dokument oleks sellises kontekstis kehtiv, peab see olema PDF/A-fail, mis on loodud tarkvaraga, mis võimaldab luua redigeeritavat teksti , mida saab otsida.
OCRmyPDF valdamine: ülim tehniline lahendus
Kui teil on vaja töödelda suuri andmemahtusid või automatiseerida oma töövoogu, on OCRmyPDF parim tööriist. See pakett on tõeline päästerõngas, kuna see ühendab Tesseract OCR-i, GhostScripti, Python 3 ja Img2PDF-i võimsuse, et lisada algsele PDF-pildile nähtamatu tekstikiht.
Paigaldamine ja seadistamine Linuxi keskkondades
Selle käivitamiseks peaksite ideaalis kasutama sellist distributsiooni nagu Debian või UbuntuProtsess algab põhipaketi installimisega käsuga apt-get install ocrmypdfOluline on see, et Tesseract vajab spetsiifilised koolituspaketid iga keele jaoks; näiteks selleks, et süsteem õigesti ära tunneks hispaania, galeegi või katalaani keelt, tuleb paketid installida tesseract-ocr-spa, tesseract-ocr-glg y tesseract-ocr-cat vastavalt.
Automatiseerimine kiirkaustade ja skriptide abil
Üks OCRmyPDF-i kasutamise kõige tõhusamaid viise on luua jagatud kaustade süsteem (Kiirkaustad). Töövoog toimib järgmiselt: skanner paigutab PDF-faili võrgukausta (ühendatud mount.cifs (Kui kasutame Windowsi), tuvastab skript faili ja käivitab OCR-käsu, et salvestada lõpptulemus väljundkausta.
Selle automaatseks muutmiseks ja ekraanile kleepumise vältimiseks on programmeeritud cron-töö, mis käivitab käsu iga minuti järel, teisendades seega iga skannimise läbipaistvalt otsitavaks PDF/A-failiks.
Põhikäskude ja -valikute analüüs
Põhiline OCRmyPDF-käsk pakub lõpptulemuse lihvimiseks mitmeid võimalusi:
- –keel: Määrake teksti keel (nt
spa(hispaania keeles), et mootor märke segi ei ajaks. - –rotate-pages: See tuvastab, kas mõni leht on skannitud tagurpidi ja See pöörleb automaatselt..
- –kaldenurk: Kui automaatne söötja on dokumendi veidi viltu jätnud, sirgendage seda, kuigi see võib kaalus juurde võtma failist.
- –puhas ja –puhas-lõplik: Need valikud eemaldavad pildimüra enne ja pärast töötlemist, et parandada täpsust, kuigi need mõjutavad ka PDF-i lõplik suurus.
Kvaliteedi ja suuruse optimaalse tasakaalu saavutamiseks on soovitatav kasutada lihtsat puhastamise ja keelekasutuse kombinatsiooni, vältides liigset töötlemist, mis failide mahtu tarbetult suurendab.
Staatiliste piltide indekseeritud dokumentideks teisendamise võimalus muudab täielikult infohaldust, muutes vanad või bürokraatlikud failid kiirete otsingute abil kättesaadavaks. Olenemata sellest, kas kasutate pilveteenuseid ühekordsete ülesannete jaoks või rakendate Linuxi serverites töövoogude automatiseerimiseks infrastruktuure OCRmyPDF-iga, peitub võtmetähtsusega tööriista valimine, mis sobib kõige paremini dokumentide mahu ja lõpliku vormingu juriidiliste nõuetega.