Cara mengkonversi PDF hasil pindaian menjadi teks yang dapat dicari dengan OCRmyPDF

Informatec Digital » Produktivitas » Cara mengkonversi PDF hasil pindaian menjadi teks yang dapat dicari dengan OCRmyPDF

Saya yakin Anda pernah mengalaminya: Anda memiliki banyak hasil pindaian kertas atau foto dokumen yang pada dasarnya hanya berupa gambar, dan ketika Anda mencoba mencari kata kunci atau menyalin paragraf, komputer sama sekali tidak mengenali teks apa pun . Ini sangat membuat frustrasi, terutama ketika Anda berurusan dengan file yang hanya dapat dibaca atau hasil pindaian lama yang terlihat seperti dinding piksel yang tidak dapat dilewati.

Untuk mengatasi masalah ini, kita perlu menggunakan teknologi yang disebut OCR (Optical Character Recognition) . Pada dasarnya, ini adalah sistem yang menganalisis gambar digital, mengidentifikasi simbol mana yang sesuai dengan setiap huruf alfabet, dan mengubahnya menjadi data teks yang terindeks . Berkat ini, kita dapat mengubah PDF yang "mati" menjadi dokumen hidup di mana Anda dapat memilih, menyalin, dan mencari istilah apa pun dalam sekejap mata.

Alat daring dan alternatif cepat

Jika Anda tidak ingin repot menginstal perangkat lunak yang kompleks, ada beberapa pilihan yang sangat praktis. Alat seperti iLovePDF mengintegrasikan mesin OCR yang memungkinkan Anda mengubah file hasil pemindaian menjadi dokumen di mana teksnya dapat dipilih. Mereka bahkan menawarkan kemungkinan untuk mengkonversi PDF ke format Word yang dapat diedit , meskipun untuk akurasi maksimal dalam proses ini, versi Premium biasanya diperlukan.

Bagi mereka yang lebih suka bekerja secara lokal di Windows, PDF24 Creator adalah alternatif yang sangat mumpuni dengan fitur pengenalan teks yang serupa. Alat-alat ini ideal ketika Anda memiliki sejumlah kecil dokumen dan membutuhkan solusi segera tanpa harus masuk ke pengaturan teknis.

Tantangan format PDF/A dan administrasi publik

Dalam lingkungan yang lebih profesional atau legal, seperti platform LexNET di Spanyol, PDF yang hanya "dapat dicari" saja tidak cukup. Di sinilah standar PDF/A berperan , yaitu versi PDF yang dioptimalkan dan dirancang untuk pengarsipan jangka panjang, menghilangkan elemen-elemen yang tidak perlu yang dapat membuat file tidak dapat dibaca di masa mendatang.

Sangat umum bagi banyak profesional untuk mengirimkan dokumen digital dengan keyakinan bahwa dokumen tersebut memenuhi persyaratan, hanya untuk kemudian mendapati klaim mereka ditolak karena cacat prosedural. Agar dokumen dianggap sah dalam konteks ini, dokumen tersebut harus berupa file PDF/A yang dihasilkan dengan perangkat lunak yang memungkinkan pembuatan teks yang dapat diedit dan dicari secara sah.

Menguasai OCRmyPDF: Solusi Teknis Terbaik

Saat Anda perlu memproses data dalam jumlah besar atau mengotomatiskan alur kerja Anda, OCRmyPDF adalah alat yang tepat. Paket ini benar-benar penyelamat karena menggabungkan kekuatan Tesseract OCR, GhostScript, Python 3, dan Img2PDF untuk menambahkan lapisan teks tak terlihat di atas gambar PDF asli.

Instalasi dan konfigurasi di lingkungan Linux

Untuk menjalankannya, idealnya Anda harus menggunakan distribusi seperti Debian atau UbuntuProses dimulai dengan menginstal paket utama menggunakan perintah apt-get install ocrmypdfPoin pentingnya adalah Tesseract membutuhkan paket pelatihan khusus untuk setiap bahasa; misalnya, agar sistem dapat mengenali bahasa Spanyol, Galisia, atau Katalan dengan benar, paket-paket tersebut harus diinstal. tesseract-ocr-spa, tesseract-ocr-glg y tesseract-ocr-cat masing-masing.

Otomatisasi menggunakan Hotfolder dan Skrip

Salah satu cara paling efisien untuk menggunakan OCRmyPDF adalah dengan membuat sebuah sistem folder bersama (Hotfolder). Alur kerjanya seperti ini: pemindai menempatkan PDF di folder jaringan (dipasang melalui mount.cifs (Jika kita menggunakan Windows), sebuah skrip akan mendeteksi file dan menjalankan perintah OCR untuk menyimpan hasil akhir ke dalam folder keluaran.

Untuk mengotomatiskan proses ini dan menghindari keharusan terus-menerus menatap layar, sebuah cron job diprogram untuk menjalankan perintah setiap menit, sehingga secara transparan mengubah setiap hasil pindaian menjadi PDF/A yang dapat dicari.

Analisis perintah dan opsi utama

Perintah dasar OCRmyPDF menawarkan beberapa opsi untuk menyempurnakan hasil akhir:

• -bahasa: Definisikan bahasa teks tersebut (misalnya, spa (untuk bahasa Spanyol) agar mesin tidak salah mengenali karakter.
• –putar-halaman: Alat ini mendeteksi apakah ada halaman yang dipindai terbalik dan Berputar secara otomatis..
• –deskew: Luruskan dokumen jika pengumpan otomatis meninggalkannya sedikit miring, meskipun ini mungkin bertambah berat dari file.
• –bersih dan –bersih-akhir: Opsi-opsi ini membersihkan noise gambar sebelum dan sesudah pemrosesan untuk meningkatkan akurasi, meskipun juga memengaruhi ukuran PDF akhir.

Untuk keseimbangan optimal antara kualitas dan ukuran, disarankan untuk menggunakan kombinasi sederhana antara pembersihan dan bahasa, menghindari pemrosesan berlebihan yang secara tidak perlu memperbesar ukuran file.

Kemampuan untuk mengubah gambar statis menjadi dokumen terindeks sepenuhnya mengubah manajemen informasi, membuat file lama atau birokratis dapat diakses melalui pencarian cepat. Baik menggunakan layanan cloud untuk tugas sekali pakai atau menerapkan infrastruktur dengan OCRmyPDF untuk mengotomatiskan alur kerja pada server Linux, kuncinya terletak pada pemilihan alat yang paling sesuai dengan volume dokumen dan persyaratan hukum dari format akhir.