Klausimas, kurį girdime dažniausiai: nuskenavau dokumentą, atidariau PDF, o teksto pažymėti negaliu ir paieška nieko neranda. Failas atrodo kaip tekstas, bet elgiasi kaip nuotrauka. Taip ir yra – tai nuotrauka.
Du visiškai skirtingi PDF
Po tuo pačiu pavadinimu „PDF“ slepiasi du skirtingi dalykai.
Skaitmeninis PDF sukurtas kompiuteryje – išsaugotas iš Word, spausdintuvo tvarkyklės ar kitos programos. Jame yra tikras tekstas: raidės, šriftai, eilutės. Tokiame faile paieška veikia, tekstą galima pažymėti ir nukopijuoti.
Skenuotas PDF yra popieriaus nuotrauka, įdėta į PDF apvalkalą. Kompiuteriui ten nėra jokių raidžių – tik taškų rinkinys. Todėl ir paieška neranda nieko: ieškoti tiesiog nėra kur.
Čia įsijungia OCR
OCR (optical character recognition, lietuviškai – optinis simbolių atpažinimas) yra technologija, kuri iš vaizdo atpažįsta raides ir sukuria tekstą. Programa pažiūri į taškų dėmę ir nusprendžia: čia raidė „a“, čia „ą“, o čia lentelės linija.
Rezultatas paprastai išsaugomas vienu iš dviejų būdų.
Ieškomas PDF. Dokumentas atrodo lygiai taip pat, kaip skenas – ta pati nuotrauka, tie patys spaudai ir ranka rašytos pastabos – bet po vaizdu paslepiamas nematomas teksto sluoksnis. Dokumentas atrodo kaip originalas, o paieška jame veikia. Archyvams tai beveik visada teisingas pasirinkimas.
Redaguojamas failas. Skenas paverčiamas Word, Excel ar kitu failu, kuriame tekstas jau tikras ir jį galima taisyti. Programa bando atkurti ne tik raides, bet ir maketą: stulpelius, lenteles, antraštes.
Kodėl vienur atpažįsta puikiai, o kitur – prastai
Atpažinimo kokybė priklauso ne tik nuo programos. Praktikoje lemia keli dalykai.
- Skenavimo raiška. 300 dpi yra tas minimumas, nuo kurio prasideda normalus rezultatas. 150 dpi skenas atrodo skaitomas žmogui, bet programai smulkios raidės susilieja.
- Kreivumas ir perspektyva. Telefonu nufotografuotas puslapis beveik visada eina kampu. Geros programos tai ištaiso automatiškai – FineReader turi vaizdo paruošimo įrankius, kurie pašalina foną ir ištiesina perspektyvą prieš atpažinimą.
- Kalba. Jeigu programai nenurodyta teisinga kalba, lietuviškos raidės su nosinėmis virsta kuo papuola. FineReader atpažįsta 198 kalbas ir, kas svarbiau, leidžia jas derinti – dokumente gali būti ir lietuvių, ir anglų kalba vienu metu.
- Šrifto tipas. Spausdintas tekstas atpažįstamas gerai. Ranka rašytas – ne, ir to tikėtis neverta.
Ar reikia tikrinti rezultatą
Reikia, bet ne visą. Normali programa pati parodo, kurios vietos jai atrodė abejotinos – FineReader patikroje rodo tik tuos simbolius, kurie galėjo būti atpažinti neteisingai. Peržiūrėti dešimt abejotinų vietų kur kas greičiau nei perskaityti visą dokumentą.
Atskira istorija – lentelės ir skaičiai. Jeigu skenuojate sąskaitas ar ataskaitas, kur svarbus kiekvienas skaitmuo, patikrinkite sumas. Raidės klysta retai, o štai „0“ ir „O“ arba „1“ ir „l“ yra klasikinė pora.
Praktinė nauda, kurios dažnai nepastebi
Kai archyvas tampa ieškomas, pasikeičia pats darbo būdas. Nebereikia atsiminti, kurioje byloje kas guli – užtenka įvesti pavardę ar sutarties numerį. Dokumentų, kurių niekas neranda, iš esmės nėra, net jeigu jie fiziškai saugomi.
Antra nauda – failų dydis. Skenai užima daug vietos, o po apdorojimo su glaudinimu tas pats dokumentas gali sumažėti kelis kartus ir vis tiek likti skaitomas.
Ką daryti dabar
Jeigu turite archyvą skenų, su kuriais neveikia paieška – pasiimkite vieną blogiausią dokumentą ir išbandykite. Ne demonstracinį failą iš svetainės, o tą patį prastą skeną, dėl kurio ir kyla klausimų. Bandomąją versiją galima atsisiųsti nemokamai, o rezultatas per dešimt minučių pasakys daugiau nei bet koks aprašymas.