- OCR, belgelerin görüntülerini seçilebilir ve aranabilir metne dönüştürmenizi sağlar.
- Otomasyon için hızlı çevrimiçi araçlar ve OCRmyPDF gibi gelişmiş yazılımlar mevcuttur.
- PDF/A formatı, yasal geçerliliği ve uzun vadeli arşivlemeyi sağlamak için elzemdir.
- OCRmyPDF, dosyaların toplu dijitalleştirilmesini optimize etmek için Tesseract ve GhostScript'i bir araya getiriyor.
Eminim daha önce sizin de başınıza gelmiştir: Elinizde bir sürü taranmış belge veya fotoğraf var ve bunlar temelde sadece görüntülerden oluşuyor. Bir anahtar kelime aradığınızda veya bir paragrafı kopyaladığınızda, bilgisayar metni tanımıyor . Özellikle salt okunur dosyalarla veya geçilmez piksel duvarları gibi görünen eski taramalarla uğraşırken bu inanılmaz derecede sinir bozucu.
Bu sorunu çözmek için OCR (Optik Karakter Tanıma) adı verilen bir teknoloji kullanmamız gerekiyor . Temelde, dijital görüntüleri analiz eden, alfabenin her harfine hangi sembollerin karşılık geldiğini belirleyen ve bunları indekslenmiş metin verilerine dönüştüren bir sistemdir . Bu sayede, "ölü" bir PDF dosyasını, anında herhangi bir terimi seçebileceğiniz, kopyalayabileceğiniz ve arayabileceğiniz canlı bir belgeye dönüştürebiliriz.
Çevrimiçi araçlar ve hızlı alternatifler
Karmaşık yazılımlar kurma zahmetine girmek istemiyorsanız, çok kullanışlı seçenekler mevcut. iLovePDF gibi araçlar , taranmış dosyaları metnin seçilebilir olduğu belgelere dönüştürmenizi sağlayan OCR motorlarını entegre eder. Hatta PDF'yi düzenlenebilir Word formatına dönüştürme imkanı da sunarlar , ancak bu işlemde maksimum doğruluk için genellikle Premium sürüm gereklidir.
Windows üzerinde yerel olarak çalışmayı tercih edenler için PDF24 Creator, benzer metin tanıma özelliklerine sahip oldukça yetenekli bir alternatiftir. Bu araçlar, az sayıda belgeniz olduğunda ve teknik ayarlara girmeden acil bir çözüme ihtiyaç duyduğunuzda idealdir.
PDF/A formatının ve kamu yönetiminin zorlukları
İspanya'daki LexNET platformu gibi daha profesyonel veya hukuki ortamlarda , bir PDF dosyasının yalnızca "aranabilir" olması yeterli değildir. İşte burada PDF/A standardı devreye giriyor; bu standart , uzun vadeli arşivleme için tasarlanmış, gereksiz unsurları ortadan kaldırarak dosyayı gelecekte okunamaz hale getirebilecek unsurları ortadan kaldıran optimize edilmiş bir PDF sürümüdür.
Birçok profesyonelin, gereklilikleri karşıladığına inanarak dijitalleştirilmiş belgeler sunması, ancak daha sonra prosedürel hatalar nedeniyle taleplerinin reddedilmesi oldukça yaygındır . Bu bağlamlarda bir belgenin geçerli olması için, düzenlenebilir metin oluşturmaya ve gerçekten aranabilir olmaya olanak tanıyan bir yazılımla oluşturulmuş bir PDF/A dosyası olması gerekir.
OCRmyPDF'te Uzmanlaşmak: Nihai Teknik Çözüm
Büyük miktarda veriyi işlemeniz veya iş akışınızı otomatikleştirmeniz gerektiğinde, OCRmyPDF en ideal araçtır. Bu paket , Tesseract OCR, GhostScript, Python 3 ve Img2PDF'nin gücünü birleştirerek orijinal PDF görüntüsünün üzerine görünmez bir metin katmanı eklediği için gerçek bir kurtarıcıdır.
Linux ortamlarında kurulum ve yapılandırma
Sistemi çalışır hale getirmek için ideal olarak aşağıdaki gibi bir dağıtım kullanmalısınız. Debian veya Ubuntuİşlem, ana paketin şu komut kullanılarak yüklenmesiyle başlar: apt-get install ocrmypdfKritik nokta şu ki, Tesseract'ın ihtiyacı var. özel eğitim paketleri Her dil için ayrı ayrı; örneğin, sistemin İspanyolca, Galiçyaca veya Katalanca'yı doğru şekilde tanıması için ilgili paketlerin yüklenmesi gerekir. tesseract-ocr-spa, tesseract-ocr-glg y tesseract-ocr-cat sırasıyla.
Hotfolders ve Komut Dosyaları Kullanarak Otomasyon
OCRmyPDF'i kullanmanın en etkili yollarından biri, bir dosya oluşturmaktır. paylaşılan klasör sistemi (Hotfolders). İş akışı şu şekilde çalışır: tarayıcı PDF dosyasını ağ klasörüne yerleştirir (bağlantı yoluyla bağlanır). mount.cifs (Windows kullanıyorsak), bir komut dosyası dosyayı algılar ve nihai sonucu bir çıktı klasörüne kaydetmek için OCR komutunu yürütür.
Bu işlemi otomatik hale getirmek ve ekrana sürekli bakmaktan kaçınmak için, komutu her dakika çalıştıracak bir cron görevi programlanmıştır ; böylece taranan her dosya, aranabilir bir PDF/A dosyasına şeffaf bir şekilde dönüştürülür.
Temel komutların ve seçeneklerin analizi
OCRmyPDF'nin temel komutu, nihai sonucu iyileştirmek için çeşitli seçenekler sunar:
- -dil: Metnin dilini tanımlayın (örneğin,
spa(İspanyolca için) böylece motor karakterleri karıştırmaz. - –sayfaları döndür: Sayfalardan herhangi birinin ters taranıp taranmadığını tespit eder ve Otomatik olarak dönüyor..
- –destekleme: Otomatik besleyici belgeyi hafifçe yamuk bırakmışsa, belgeyi düzeltin; ancak bu, kilo almak dosyadan.
- –clean ve –clean-final: Bu seçenekler, doğruluğu artırmak için işlem öncesinde ve sonrasında görüntü gürültüsünü temizler, ancak aynı zamanda görüntü kalitesini de etkiler. son PDF boyutu.
Kalite ve boyut arasında en uygun dengeyi sağlamak için, gereksiz yere dosya boyutunu artıran aşırı işlemelerden kaçınarak, temizleme ve dil işlemlerinin basit bir kombinasyonunun kullanılması önerilir.
Statik görüntüleri indekslenmiş belgelere dönüştürme yeteneği, bilgi yönetimini tamamen değiştirerek eski veya bürokratik dosyaları hızlı aramalarla erişilebilir hale getiriyor. İster tek seferlik görevler için bulut hizmetleri kullanın, ister Linux sunucularında iş akışlarını otomatikleştirmek için OCRmyPDF ile altyapılar uygulayın, kilit nokta belge hacmine ve son formatın yasal gerekliliklerine en uygun aracı seçmektir.