- OCR leidžia dokumentų vaizdus paversti pasirenkamu ir ieškomu tekstu.
- Yra greitų internetinių įrankių ir pažangios programinės įrangos, tokios kaip OCRmyPDF, skirtos automatizavimui.
- PDF/A formatas yra būtinas siekiant užtikrinti teisinį galiojimą ir ilgalaikį archyvavimą.
- „OCRmyPDF“ sujungia „Tesseract“ ir „GhostScript“, kad optimizuotų masinį failų skaitmeninimą.
Esu tikras, kad jums taip yra nutikę anksčiau: turite krūvą nuskaitytų dokumentų ar dokumentų nuotraukų, kurios iš esmės tėra vaizdai, ir kai bandote ieškoti pagal raktinį žodį ar nukopijuoti pastraipą, kompiuteris tiesiog neatpažįsta jokio teksto . Tai nepaprastai erzina, ypač kai dirbate su tik skaitymui skirtais failais arba senais nuskaitytais dokumentais, kurie atrodo kaip neįveikiamos pikselių sienos.
Norėdami išspręsti šią problemą, turime naudoti technologiją, vadinamą OCR (optiniu simbolių atpažinimu) . Iš esmės tai sistema, kuri analizuoja skaitmeninius vaizdus, nustato, kurie simboliai atitinka kiekvieną abėcėlės raidę, ir konvertuoja juos į indeksuotus tekstinius duomenis . Dėl to galime „negyvą“ PDF failą paversti gyvu dokumentu, kuriame galite akimirksniu pasirinkti, kopijuoti ir ieškoti bet kurio termino.
Internetiniai įrankiai ir greitos alternatyvos
Jei nenorite vargti diegdami sudėtingą programinę įrangą, yra labai patogių variantų. Tokios priemonės kaip „iLovePDF“ integruoja OCR variklius, kurie leidžia konvertuoti nuskaitytus failus į dokumentus, kuriuose galima pasirinkti tekstą. Jos netgi siūlo galimybę konvertuoti PDF failą į redaguojamą „Word“ formatą , nors norint maksimalaus tikslumo šiame procese paprastai reikalinga „Premium“ versija.
Tiems, kurie nori dirbti lokaliai „Windows“ sistemoje, „PDF24 Creator“ yra labai galinga alternatyva su panašiomis teksto atpažinimo funkcijomis. Šie įrankiai idealiai tinka, kai turite nedidelį skaičių dokumentų ir jums reikia greito sprendimo, nesigilinant į techninius nustatymus.
PDF/A formato ir viešojo administravimo iššūkis
Profesionalesnėje ar teisinėje aplinkoje, pavyzdžiui, naudojant „LexNET “ platformą Ispanijoje, nepakanka, kad PDF faile būtų galima tiesiog ieškoti. Čia praverčia PDF/A standartas – optimizuota PDF versija, skirta ilgalaikiam archyvavimui, pašalinanti nereikalingus elementus, dėl kurių ateityje failas galėtų būti neįskaitomas.
Labai dažnai daugelis specialistų pateikia suskaitmenintus dokumentus manydami, kad jie atitinka reikalavimus, tačiau vėliau jų prašymai atmetami dėl procedūrinių trūkumų. Kad dokumentas būtų galiojantis tokiais atvejais, jis turi būti PDF/A formato failas, sugeneruotas naudojant programinę įrangą, leidžiančią kurti redaguojamą tekstą , kuriame būtų galima atlikti paiešką.
OCRmyPDF įvaldymas: geriausias techninis sprendimas
Kai reikia apdoroti didelius duomenų kiekius arba automatizuoti darbo eigą, „OCRmyPDF“ yra geriausias įrankis. Šis paketas yra tikras išsigelbėjimas, nes jame sujungiamos „Tesseract OCR“, „GhostScript“, „Python 3“ ir „Img2PDF“ galios , kad būtų galima pridėti nematomą teksto sluoksnį ant originalaus PDF vaizdo.
Diegimas ir konfigūravimas Linux aplinkoje
Norint jį paleisti, idealiu atveju reikėtų naudoti tokį platinimą kaip „Debian“ arba „Ubuntu“Procesas pradedamas įdiegiant pagrindinį paketą naudojant komandą apt-get install ocrmypdfSvarbu tai, kad „Tesseract“ reikia specialūs mokymo paketai kiekvienai kalbai; pavyzdžiui, kad sistema teisingai atpažintų ispanų, galisų arba katalonų kalbas, paketai turi būti įdiegti tesseract-ocr-spa, tesseract-ocr-glg y tesseract-ocr-cat atitinkamai.
Automatizavimas naudojant karštuosius aplankus ir scenarijus
Vienas efektyviausių būdų naudoti OCRmyPDF yra sukurti bendrinamų aplankų sistema (Karštieji aplankai). Darbo eiga veikia taip: skaitytuvas įdeda PDF failą į tinklo aplanką (prijungtą per mount.cifs (Jei naudojame „Windows“), scenarijus aptinka failą ir vykdo OCR komandą, kad galutinis rezultatas būtų įkeltas į išvesties aplanką.
Kad tai būtų automatizuota ir nereikėtų būti prilipusiam prie ekrano, užprogramuota „cron“ užduotis, kuri vykdys komandą kas minutę, taip skaidriai konvertuodama bet kokį nuskaitytą failą į ieškomą PDF/A failą.
Pagrindinių komandų ir parinkčių analizė
Pagrindinė OCRmyPDF komanda siūlo keletą variantų galutiniam rezultatui šlifuoti:
- –kalba: Apibrėžkite teksto kalbą (pvz.
spa(ispanų kalbai), kad variklis nepainiotų simbolių. - –pasukti puslapius: Jis aptinka, ar kuris nors puslapis buvo nuskaitytas aukštyn kojomis, ir Jis sukasi automatiškai..
- –iškreiptas vaizdas: Ištiesinkite dokumentą, jei automatinis tiektuvas jį paliko šiek tiek kreivą, nors tai gali priaugti svorio iš bylos.
- –švarus ir –švarus-galutinis: Šios parinktys išvalo vaizdo triukšmą prieš apdorojimą ir po jo, kad pagerintų tikslumą, nors jos taip pat turi įtakos galutinis PDF dydis.
Siekiant optimalaus kokybės ir dydžio balanso, rekomenduojama naudoti paprastą valymo ir kalbos derinį, vengiant per didelio apdorojimo, kuris be reikalo padidina failus.
Galimybė konvertuoti statinius vaizdus į indeksuotus dokumentus visiškai pakeičia informacijos valdymą, padarydama senus ar biurokratinius failus prieinamus atliekant greitas paieškas. Nesvarbu, ar naudojate debesijos paslaugas vienkartinėms užduotims atlikti, ar diegiate infrastruktūrą su OCRmyPDF, kad automatizuotumėte darbo eigas „Linux“ serveriuose, svarbiausia yra pasirinkti įrankį, kuris geriausiai atitinka dokumentų kiekį ir galutinio formato teisinius reikalavimus.