- OCR:n avulla voit muuntaa asiakirjojen kuvia valittavaksi ja haettavaksi tekstiksi.
- Automaatiota varten on olemassa nopeita verkkotyökaluja ja edistyneitä ohjelmistoja, kuten OCRmyPDF.
- PDF/A-muoto on välttämätön oikeudellisen pätevyyden ja pitkäaikaisen arkistoinnin varmistamiseksi.
- OCRmyPDF yhdistää Tesseractin ja GhostScriptin tiedostojen massadigitoinnin optimoimiseksi.
Olen varma, että se on tapahtunut sinulle aiemmin: sinulla on kasa skannattuja papereita tai valokuvia dokumenteista, jotka ovat pohjimmiltaan vain kuvia, ja kun yrität etsiä avainsanaa tai kopioida kappaleen, tietokone ei yksinkertaisesti tunnista mitään tekstiä . Se on uskomattoman turhauttavaa, varsinkin kun käsittelet vain luku -tilassa olevia tiedostoja tai vanhoja skannauksia, jotka näyttävät läpipääsemättömiltä pikseliseinämiltä.
Tämän ongelman ratkaisemiseksi meidän on käytettävä OCR-nimistä tekniikkaa (Optical Character Recognition) . Pohjimmiltaan se on järjestelmä, joka analysoi digitaalisia kuvia, tunnistaa mitkä symbolit vastaavat mitäkin aakkosten kirjainta ja muuntaa ne indeksoiduksi tekstitiedoksi . Tämän ansiosta voimme muuntaa "kuolleen" PDF-tiedoston eläväksi dokumentiksi, jossa voit valita, kopioida ja etsiä mitä tahansa termiä silmänräpäyksessä.
Verkkotyökalut ja nopeat vaihtoehdot
Jos et halua asentaa monimutkaisia ohjelmistoja, on olemassa erittäin käteviä vaihtoehtoja. Työkalut, kuten iLovePDF, integroivat OCR-moottorit, joiden avulla voit muuntaa skannatut tiedostot asiakirjoiksi, joissa teksti on valittavissa. Ne tarjoavat jopa mahdollisuuden muuntaa PDF-tiedosto muokattavaan Word-muotoon , vaikkakin tämän prosessin maksimaalisen tarkkuuden saavuttamiseksi tarvitaan yleensä Premium-versio.
Niille, jotka mieluummin työskentelevät paikallisesti Windowsissa, PDF24 Creator on erittäin tehokas vaihtoehto, jossa on samankaltaisia tekstintunnistusominaisuuksia. Nämä työkalut ovat ihanteellisia, kun sinulla on pieni määrä asiakirjoja ja tarvitset välittömän ratkaisun ilman teknisiin asetuksiin menemistä.
PDF/A-formaatin ja julkishallinnon haaste
Ammatillisissa tai juridisissa ympäristöissä, kuten Espanjan LexNET -alustan kanssa , ei riitä, että PDF-tiedosto on pelkkä "haettavissa". Tässä kohtaa PDF/A-standardi tulee mukaan kuvaan , joka on pitkäaikaiseen arkistointiin suunniteltu optimoitu versio PDF-tiedostosta, josta on poistettu tarpeettomat elementit, jotka voisivat tehdä tiedostosta lukukelvottoman tulevaisuudessa.
On hyvin yleistä, että monet ammattilaiset lähettävät digitoituja asiakirjoja uskoen täyttävänsä vaatimukset, mutta myöhemmin heidän vaatimuksensa hylätään prosessuaalisten virheiden vuoksi. Jotta asiakirja olisi näissä yhteyksissä pätevä, sen on oltava PDF/A-tiedosto, joka on luotu ohjelmistolla, joka mahdollistaa muokattavan tekstin luomisen ja aidosti haettavissa olevana.
OCRmyPDF:n hallitseminen: Paras tekninen ratkaisu
Kun sinun on käsiteltävä suuria tietomääriä tai automatisoitava työnkulkusi, OCRmyPDF on täydellinen työkalu. Tämä paketti on todellinen pelastus, koska se yhdistää Tesseract OCR:n, GhostScriptin, Python 3:n ja Img2PDF:n tehon lisätäkseen näkymättömän tekstikerroksen alkuperäisen PDF-kuvan päälle.
Asennus ja konfigurointi Linux-ympäristöissä
Saadaksesi sen toimimaan, sinun kannattaa mieluiten käyttää jakelua, kuten Debian tai UbuntuProsessi alkaa asentamalla pääpaketti komennolla apt-get install ocrmypdfRatkaiseva seikka on, että Tesseract tarvitsee erityisiä koulutuspaketteja jokaiselle kielelle; esimerkiksi jotta järjestelmä tunnistaa oikein espanjan, galician tai katalaanin, paketit on asennettava tesseract-ocr-spa, tesseract-ocr-glg y tesseract-ocr-cat vastaavasti.
Automaatio hotfoldersien ja komentosarjojen avulla
Yksi tehokkaimmista tavoista käyttää OCRmyPDF:ää on luoda jaettu kansiojärjestelmä (Pikakansiot). Työnkulku toimii näin: skanneri sijoittaa PDF-tiedoston verkkokansioon (liitettynä mount.cifs (Jos käytämme Windowsia), skripti tunnistaa tiedoston ja suorittaa OCR-komennon tallentaakseen lopputuloksen kohdekansioon.
Jotta tämä olisi automaattista eikä käyttäjä joutuisi liimautumaan näyttöön, cron-työ on ohjelmoitu suorittamaan komento minuutin välein, jolloin mikä tahansa skannaus muunnetaan läpinäkyvästi haettavaksi PDF/A-tiedostoksi.
Keskeisten komentojen ja vaihtoehtojen analyysi
OCRmyPDF-peruskomento tarjoaa useita vaihtoehtoja lopputuloksen viimeistelyyn:
- -kieli: Määrittele tekstin kieli (esim.
spa(espanjaksi), jotta hakukone ei sekoita merkkejä. - –rotate-sivut: Se tunnistaa, jos jokin sivu on skannattu ylösalaisin, ja Se pyörii automaattisesti..
- –oikean paikan oikaisu: Suorista asiakirja, jos automaattinen syöttölaite on jättänyt sen hieman vinoon, vaikka tämä saattaa lisätä painoa tiedostosta.
- –puhdas ja –puhdas-lopullinen: Nämä asetukset puhdistavat kuvakohinaa ennen käsittelyä ja sen jälkeen tarkkuuden parantamiseksi, vaikka ne vaikuttavat myös lopullinen PDF-koko.
Laadun ja koon optimaalisen tasapainon saavuttamiseksi on suositeltavaa käyttää yksinkertaista puhdistuksen ja kielen yhdistelmää välttäen liiallista käsittelyä, joka turhaan paisuttaa tiedostoja.
Mahdollisuus muuntaa staattisia kuvia indeksoiduiksi dokumenteiksi mullistaa tiedonhallinnan täysin, sillä vanhat tai byrokraattiset tiedostot ovat helposti saatavilla nopeiden hakujen avulla. Käytitpä sitten pilvipalveluita kertaluonteisiin tehtäviin tai toteutat infrastruktuureja OCRmyPDF:n avulla automatisoidaksesi työnkulkuja Linux-palvelimilla, avainasemassa on työkalun valinta, joka parhaiten sopii dokumenttien määrään ja lopullisen formaatin lakisääteisiin vaatimuksiin.