Küsimus, mida kuuleme kõige sagedamini: skannisin dokumendi, avasin PDF-i, aga teksti märgistada ei saa ja otsing ei leia midagi. Fail näeb välja nagu tekst, aga käitub nagu pilt. Nii see ongi – see on pilt.
Kaks täiesti erinevat PDF-i
Sama nime „PDF“ all peituvad kaks eri asja.
Digitaalne PDF on loodud arvutis – salvestatud Wordist, printeridraiveriga või mõne muu programmiga. Selles on päris tekst: tähed, fondid, read. Sellises failis otsing töötab, teksti saab märgistada ja kopeerida.
Skannitud PDF on paberist tehtud pilt, mis on pandud PDF-i ümbrisesse. Arvuti jaoks pole seal ühtegi tähte – ainult hulk punkte. Seepärast ei leia otsing midagi: otsida lihtsalt pole kust.
Siin tuleb mängu OCR
OCR (optical character recognition, eesti keeles optiline märgituvastus) on tehnoloogia, mis tuvastab pildilt tähed ja loob neist teksti. Programm analüüsib pikslimustrit ja tuvastab: siin on täht „o“, siin „õ“ ja siin tabelijoon.
Tulemus salvestatakse tavaliselt ühel kahest viisist.
Otsitav PDF. Dokument näeb välja täpselt nagu skann – sama pilt, samad templid ja käsitsi tehtud märkmed –, kuid pildi alla lisatakse nähtamatu tekstikiht. Dokument näeb välja nagu originaal, aga otsing töötab. Arhiivide puhul on see peaaegu alati õige valik.
Muudetav fail. Skannist tehakse Wordi, Exceli või muu fail, milles tekst on juba päris ja seda saab parandada. Programm püüab taastada mitte ainult tähed, vaid ka küljenduse: veerud, tabelid, pealkirjad.
Miks ühel juhul tuvastatakse suurepäraselt, teisel aga kehvasti
Tuvastamise kvaliteet ei sõltu ainult programmist. Praktikas määravad tulemuse mõned asjad.
- Skannimise eraldusvõime. 300 dpi on minimaalne eraldusvõime, mis tagab korraliku tulemuse. 150 dpi eraldusvõimega skann tundub inimesele loetav, kuid programmi jaoks sulavad väikesed tähed kokku.
- Viltusus ja perspektiiv. Telefoniga pildistatud lehekülg on peaaegu alati nurga all. Head programmid parandavad selle automaatselt – FineReaderil on pilditöötluse tööriistad, mis eemaldavad enne tuvastamist tausta ja sirgendavad perspektiivi.
- Keel. Kui programmile pole õiget keelt määratud, muutuvad eesti täpitähed millekski juhuslikuks. FineReader tuvastab 198 keelt ja, mis veelgi olulisem, võimaldab neid kombineerida – dokumendis võib korraga olla nii eesti kui ka inglise keel.
- Kirja tüüp. Trükitud tekst tuvastatakse hästi. Käsitsi kirjutatud teksti aga mitte – seda pole mõtet oodatagi.
Kas tulemust tuleb kontrollida
Tuleb, aga mitte tervikuna. Korralik programm näitab ise, millised kohad tundusid talle kahtlased – FineReader kuvab kontrollimisel ainult need märgid, mis võisid olla valesti tuvastatud. Kümne kahtlase koha ülevaatamine on palju kiirem kui kogu dokumendi läbilugemine.
Omaette teema on tabelid ja numbrid. Kui skannite arveid või aruandeid, kus loeb iga number, kontrollige summasid. Tähtedega eksitakse harva, kuid „0“ ja „O“ või „1“ ja „l“ on klassikaline paar.
Praktiline kasu, mida sageli ei märgata
Kui arhiivis saab otsida, muutub kogu töökorraldus. Enam ei pea meeles pidama, millises kaustas mis asub – piisab perekonnanime või lepingu numbri sisestamisest. Dokumente, mida keegi üles ei leia, sisuliselt polegi olemas, isegi kui need on füüsiliselt alles.
Teine kasu on failide maht. Skannid võtavad palju ruumi, kuid pärast töötlemist ja tihendamist võib sama dokument muutuda mitu korda väiksemaks ning jääda ikkagi loetavaks.
Mida kohe teha
Kui teil on skannide arhiiv, milles otsing ei tööta, võtke üks kõige halvem dokument ja proovige. Mitte veebilehe näidisfaili, vaid just see kehv skann, mille pärast küsimused tekivadki. Prooviversiooni saab tasuta alla laadida ja tulemus ütleb kümne minutiga rohkem kui ükskõik milline kirjeldus.
Kui tekst on tuvastatud, saab seda ka muuta – kuidas seda teha, kirjutame artiklis kuidas muuta skannitud dokumenti.
Tekstituvastus (OCR) on olemas kõigis ABBYY versioonides: FineReader PDF Standard ja FineReader PDF Corporate – Windowsi arvutitele, FineReader PDF for Mac – Macile. Litsentsi saate osta meie e-poest, võti saadetakse e-postiga.