گزارشی چندصفحه‌ای را اسکن می‌کنید و به‌صورت PDF ذخیره می‌کنید. وقتی آن را باز می‌کنید و کلیدهای Ctrl+F (یا ⌘+F در مک) را می‌زنید، هیچ نتیجه‌ای پیدا نمی‌شود - حتی کلمه‌ای که به‌وضوح در صفحه اول می‌بینید. سند یک تصویر است و تصویرها فاقد متن قابل جستجو هستند.
تبدیل PDF اسکن‌شده به قابل جستجو، یک لایه متنی نامرئی پشت تصاویر اضافه می‌کند. این لایه متنی است که Ctrl+F، سیستم‌های مدیریت اسناد و موتورهای جستجو آن را می‌خوانند. ظاهر بصری سند دقیقاً بدون تغییر باقی می‌ماند.
آنچه OCR انجام می‌دهد
نرم‌افزار تشخیص نویسه‌های نوری (OCR) هر پیکسل از هر صفحه را تحلیل می‌کند و نویسه‌ها، کلمات و ساختار چیدمان را شناسایی می‌کند. سپس آن نویسه‌ها را در یک لایه‌ی پنهان در همان موقعیت متن متناظر تصویر قرار می‌دهد. نتیجه، یک PDF است که دقیقاً مانند اسکن اصلی به نظر می‌رسد اما underneath آن متن واقعی، قابل انتخاب و قابل جستجو وجود دارد.
چگونه PDF خود را با Pagivo قابل جستجو کنید
- بازاز PDF بپرسدر Pagivo و در صورت درخواست، وارد شوید.
- فایل PDF اسکن‌شده خود را بارگذاری کنید.
- درخواستی مثل این بنویسید:این PDF را با OCR قابل جستجو کن.
- رویپردازش و دانلودکلیک کنید. Pagivo روی صفحاتی که به آن نیاز دارند OCR اجرا می‌کند و سند را با یک لایه متنی قابل جستجو به شما برمی‌گرداند.
- نتیجه را در هر برنامه نمایش PDF باز کنید و Ctrl+F را فشار دهید. حالا عبارت‌های جستجوی شما پیدا می‌شوند.
عوامل مؤثر بر دقت
OCR روی اسناد تمیز و باکیفیتِ اسکن‌شده بهترین عملکرد را دارد. چند عامل بر دقت لایه متنی تأثیر می‌گذارند:
- رزولوشن اسکن.۳۰۰ DPI حداقل عملی برای OCR قابل اعتماد است. وضوح‌های پایین‌تر موجب تشخیص غیرقابل اعتماد نویسه‌ها می‌شوند، به‌خصوص برای متن‌های ریز.
- صاف بودن صفحه.صفحهٔ کج یا خمیده تشخیص مرز کاراکترها را دچار مشکل می‌کند. به همین دلیل، اسکنرهای تخت همیشه نتایج بهتری نسبت به دوربین‌های گوشی تولید می‌کنند.
- وضوح فونت.فونت‌های استاندارد چاپی با دقت بسیار بالایی شناسایی می‌شوند. فونت‌های تزئینی، متون خیلی ریز (معادل کوچک‌تر از ۸ پوینت در ۳۰۰ DPI) و اسکن‌هایی که فشرده‌سازی سنگینی دارند، خطاهای شناسایی بیشتری تولید می‌کنند.
- دست‌نویس.اکثر موتورهای OCR روی متن چاپی آموزش دیده‌اند. در صفحات دست‌نویس، انتظار دقت پایین‌تر یا خروجی عمدتاً غیرقابل استفاده را داشته باشید.
وقتی نیاز دارید محتوا را ویرایش کنید، نه فقط جستجو
OCR یک PDF قابل جستجو ایجاد می‌کند - متن واقعی است اما صفحه همچنان شبیه اسکن به نظر می‌رسد. اگر نیاز به ویرایش محتوا دارید (اصلاح یک نام، تغییر یک تاریخ، قالب‌بندی مجدد یک جدول)، باید PDF را به یک فرمت قابل ویرایش تبدیل کنید. روش کاری پیشنهادی این است: ابتدا OCR را اجرا کنید تا یک PDF قابل جستجو ایجاد شود، سپس آن PDF را با استفاده ازPDF به Wordبرای بهترین کیفیت تبدیل، به Word تبدیل کنید.
استفاده از Google Drive به عنوان جایگزین رایگان
Google Drive دارای OCR داخلی به صورت رایگان است. PDF را در Google Drive آپلود کنید، روی آن راست‌کلیک کرده و گزینه زیر را انتخاب کنید:با Google Docs باز کنید. گوگل OCR را اجرا می‌کند و نتیجه را به‌صورت یک سند قابل ویرایش باز می‌کند. قالب‌بندی صفحه حفظ نخواهد شد، اما متن استخراج می‌شود. این روش برای اسناد کوتاهی که فقط به محتوای متنی آن‌ها نیاز دارید و نه چیدمان اصلی، بسیار مناسب است.