- Az OCR lehetővé teszi a dokumentumok képeinek kijelölhető és kereshető szöveggé alakítását.
- Léteznek gyors online eszközök és fejlett szoftverek, mint például az OCRmyPDF az automatizáláshoz.
- A PDF/A formátum elengedhetetlen a jogi érvényesség és a hosszú távú archiválás biztosításához.
- Az OCRmyPDF a Tesseract és a GhostScript ötvözetét használja a fájlok tömeges digitalizálásának optimalizálására.
Biztos vagyok benne, hogy veled is előfordult már: van egy csomó beolvasott papírod vagy dokumentumfotód, amik alapvetően csak képek, és amikor megpróbálsz rákeresni egy kulcsszóra vagy kimásolni egy bekezdést, a számítógép egyszerűen nem ismer fel semmilyen szöveget . Ez hihetetlenül frusztráló, különösen akkor, ha írásvédett fájlokkal vagy régi szkennelésekkel van dolgod, amik áthatolhatatlan pixelfalaknak tűnnek.
A probléma megoldásához az OCR (optikai karakterfelismerés) nevű technológiát kell használnunk . Alapvetően ez egy olyan rendszer, amely elemzi a digitális képeket, azonosítja, hogy mely szimbólumok felelnek meg az ábécé egyes betűinek, és indexelt szöveges adatokká alakítja azokat . Ennek köszönhetően egy „halott” PDF-et élő dokumentummá alakíthatunk, ahol egy szempillantás alatt kiválaszthatunk, másolhatunk és kereshetünk bármilyen kifejezésre.
Online eszközök és gyors alternatívák
Ha nem szeretnéd a bonyolult szoftverek telepítésével járó kellemetlenségeket, számos nagyon kényelmes lehetőség közül választhatsz. Az olyan eszközök, mint az iLovePDF, olyan OCR-motorokat tartalmaznak, amelyek lehetővé teszik a beolvasott fájlok olyan dokumentumokká konvertálását, ahol a szöveg kijelölhető. Még a PDF szerkeszthető Word formátumba konvertálásának lehetőségét is kínálják , bár a folyamat maximális pontossága érdekében általában prémium verzióra van szükség.
Azok számára, akik inkább helyben, Windows rendszeren dolgoznak, a PDF24 Creator egy nagyon hatékony alternatíva hasonló szövegfelismerő funkciókkal. Ezek az eszközök ideálisak, ha kevés dokumentummal rendelkezik, és azonnali megoldásra van szüksége anélkül, hogy technikai beállításokba kellene bocsátkoznia.
A PDF/A formátum és a közigazgatás kihívása
Professzionálisabb vagy jogi környezetben, mint például a spanyolországi LexNET platform esetében , nem elég, ha egy PDF egyszerűen „kereshető”. Itt jön képbe a PDF/A szabvány , amely a PDF hosszú távú archiválásra tervezett, optimalizált változata, amely kiküszöböli a felesleges elemeket, amelyek a jövőben olvashatatlanná tehetik a fájlt.
Nagyon gyakori, hogy sok szakember digitalizált dokumentumokat nyújt be abban a hitben, hogy megfelelnek a követelményeknek, majd később eljárási hibák miatt elutasítják kérelmüket . Ahhoz, hogy egy dokumentum ilyen esetekben érvényes legyen, olyan szoftverrel létrehozott PDF/A fájlnak kell lennie, amely lehetővé teszi szerkeszthető, valóban kereshető szöveg létrehozását .
OCRmyPDF elsajátítása: A tökéletes technikai megoldás
Ha nagy mennyiségű adatot kell feldolgoznia vagy automatizálnia a munkafolyamatát, az OCRmyPDF a tökéletes eszköz. Ez a csomag igazi életmentő, mivel egyesíti a Tesseract OCR, a GhostScript, a Python 3 és az Img2PDF erejét , hogy egy láthatatlan szövegréteget adjon az eredeti PDF képhez.
Telepítés és konfigurálás Linux környezetben
A működéshez ideális esetben egy olyan disztribúciót kell használni, mint például Debian vagy UbuntuA folyamat a fő csomag telepítésével kezdődik a parancs használatával. apt-get install ocrmypdfEgy kritikus pont, hogy a Tesseractnak szüksége van rá speciális képzési csomagok minden nyelvhez; például ahhoz, hogy a rendszer helyesen felismerje a spanyolt, a galíciai vagy a katalánt, telepíteni kell a csomagokat tesseract-ocr-spa, tesseract-ocr-glg y tesseract-ocr-cat volt.
Automatizálás gyorsmappák és szkriptek használatával
Az OCRmyPDF használatának egyik leghatékonyabb módja egy megosztott mapparendszer (Gyorsmappák). A munkafolyamat a következőképpen működik: a szkenner elhelyezi a PDF-et egy hálózati mappába (amelyet a következőn keresztül csatlakoztattak: mount.cifs (Windows használata esetén) egy szkript felismeri a fájlt, és végrehajtja az OCR parancsot, hogy a végeredményt egy kimeneti mappába helyezze.
Ennek automatikus megvalósítása és a képernyőhöz való ragaszkodás elkerülése érdekében egy cron feladatot programoztak , amely percenként végrehajtja a parancsot, így transzparens módon konvertálva bármilyen szkennelt dokumentumot kereshető PDF/A formátumba.
A billentyűparancsok és opciók elemzése
Az alapvető OCRmyPDF parancs számos lehetőséget kínál a végeredmény finomítására:
- -nyelv: Határozza meg a szöveg nyelvét (pl.
spa(spanyol nyelv esetén), hogy a motor ne keverje össze a karaktereket. - –oldalak forgatása: Észleli, ha bármelyik oldalt fejjel lefelé szkennelték be, és Automatikusan forog..
- –ferdeség: Egyenesítse ki a dokumentumot, ha az automatikus adagoló kissé ferdén hagyta, bár ez előfordulhat hízik az aktából.
- –tiszta és –tiszta-végleges: Ezek a beállítások a feldolgozás előtti és utáni zajt kiszűrik a pontosság javítása érdekében, bár a képminőséget is befolyásolják. végső PDF méret.
A minőség és a méret optimális egyensúlyának elérése érdekében ajánlott a tisztítás és a nyelvezet egyszerű kombinációját használni, kerülve a fájlokat szükségtelenül megnövelő túlzott feldolgozást.
A statikus képek indexelt dokumentumokká konvertálásának képessége teljesen átalakítja az információkezelést, a régi vagy bürokratikus fájlokat gyors keresésekkel hozzáférhetővé téve. Akár egyszeri feladatokhoz használunk felhőszolgáltatásokat, akár Linux szervereken automatizáljuk a munkafolyamatokat az OCRmyPDF segítségével, a kulcs abban rejlik, hogy olyan eszközt válasszunk, amely a legjobban megfelel a dokumentumok mennyiségének és a végső formátum jogi követelményeinek.