Jautājums, ko dzirdam visbiežāk: noskenēju dokumentu, atvēru PDF, bet tekstu iezīmēt nevaru, un meklēšana neko neatrod. Fails izskatās pēc teksta, bet uzvedas kā fotogrāfija. Tā arī ir – tā ir fotogrāfija.
Divi pilnīgi atšķirīgi PDF
Ar vienu un to pašu nosaukumu „PDF“ apzīmē divas dažādas lietas.
Digitāls PDF ir izveidots datorā – saglabāts no Word, printera draivera vai citas programmas. Tajā ir īsts teksts: burti, fonti, rindas. Šādā failā meklēšana darbojas, tekstu var iezīmēt un nokopēt.
Skenēts PDF ir papīra lapas fotogrāfija, ievietota PDF čaulā. Datoram tur nav nekādu burtu – tikai punktu kopums. Tāpēc arī meklēšana neko neatrod: vienkārši nav, kur meklēt.
Šeit talkā nāk OCR
OCR (optical character recognition, latviski – optiskā rakstzīmju atpazīšana) ir tehnoloģija, kas attēlā atpazīst burtus un izveido no tiem tekstu. Programma analizē attēla pikseļus un nosaka: šeit ir burts „a“, šeit „ā“, bet šeit – tabulas līnija.
Rezultātu parasti saglabā vienā no diviem veidiem.
Meklējams PDF. Dokuments izskatās tieši tāpat kā skenējums – tā pati fotogrāfija, tie paši zīmogi un ar roku rakstītās piezīmes –, bet zem attēla tiek paslēpts neredzams teksta slānis. Dokuments izskatās kā oriģināls, un tajā darbojas meklēšana. Arhīviem tā gandrīz vienmēr ir pareizā izvēle.
Rediģējams fails. Skenējumu pārvērš Word, Excel vai citā failā, kurā teksts jau ir īsts un to var labot. Programma cenšas atjaunot ne tikai burtus, bet arī maketu: kolonnas, tabulas, virsrakstus.
Kāpēc vienā gadījumā atpazīst lieliski, bet citā – slikti
Atpazīšanas kvalitāte nav atkarīga tikai no programmas. Praksē izšķirīgi ir vairāki faktori.
- Skenēšanas izšķirtspēja. 300 dpi ir minimums, no kura sākas normāls rezultāts. 150 dpi skenējums cilvēkam šķiet salasāms, bet programmai sīkie burti saplūst.
- Šķībums un perspektīva. Ar telefonu nofotografēta lapa gandrīz vienmēr ir šķība. Labas programmas to izlabo automātiski – FineReader ir attēlu sagatavošanas rīki, kas pirms atpazīšanas noņem fonu un iztaisno perspektīvu.
- Valoda. Ja programmai nav norādīta pareizā valoda, latviešu burti ar garumzīmēm un mīkstinājuma zīmēm pārvēršas par ko pagadās. FineReader atpazīst 198 valodas un, kas vēl svarīgāk, ļauj tās kombinēt – dokumentā vienlaikus var būt gan latviešu, gan angļu valoda.
- Burtu veids. Drukāts teksts tiek atpazīts labi. Ar roku rakstīts – nē, un to gaidīt nav vērts.
Vai rezultāts ir jāpārbauda
Jā, bet ne viss. Normāla programma pati parāda, kuras vietas tai šķita apšaubāmas, – FineReader pārbaudes laikā rāda tikai tās rakstzīmes, kas varētu būt atpazītas nepareizi. Pārskatīt desmit apšaubāmas vietas ir daudz ātrāk nekā izlasīt visu dokumentu.
Atsevišķs stāsts ir tabulas un skaitļi. Ja skenējat rēķinus vai atskaites, kur svarīgs ir katrs cipars, pārbaudiet summas. Burtu atpazīšanā kļūdas gadās reti, bet „0“ un „O“, kā arī „1“ un „l“ ir klasiski sajaucamu rakstzīmju pāri.
Praktiskais ieguvums, ko bieži nepamana
Kad arhīvs kļūst meklējams, mainās pats darba veids. Vairs nav jāatceras, kurā lietā kas atrodas, – pietiek ievadīt uzvārdu vai līguma numuru. Dokuments, ko neviens nevar atrast, būtībā neeksistē, pat ja tas fiziski tiek glabāts.
Otrs ieguvums ir failu izmērs. Skenējumi aizņem daudz vietas, bet pēc apstrādes ar saspiešanu tas pats dokuments var kļūt vairākas reizes mazāks un joprojām palikt salasāms.
Ko darīt tagad
Ja jums ir skenējumu arhīvs, kurā nedarbojas meklēšana, paņemiet vienu sliktāko dokumentu un izmēģiniet. Nevis demonstrācijas failu no vietnes, bet tieši to slikto skenējumu, kura dēļ rodas jautājumi. Izmēģinājuma versiju var lejupielādēt bez maksas, un rezultāts desmit minūtēs pateiks vairāk nekā jebkurš apraksts.
Kad teksts ir atpazīts, to var arī labot – kā to izdarīt, rakstām rakstā kā rediģēt skenētu dokumentu.
Teksta atpazīšana (OCR) ir visās ABBYY versijās: FineReader PDF Standard un FineReader PDF Corporate – Windows datoriem, FineReader PDF for Mac – Mac datoriem. Licenci varat iegādāties mūsu veikalā, atslēga tiek nosūtīta pa e-pastu.