سندی را اسکن می‌کنید، به Word تبدیل می‌کنید و نتیجه را باز می‌کنید - اما ناگهان با یک صفحه خالی، یک تصویر واحد جاسازی‌شده، یا کاراکترهای نامفهوم روبه‌رو می‌شوید. این یکی از رایج‌ترین ناامیدی‌های مربوط به PDF است و علت آن تقریباً همیشه یک چیز است: PDF حاوی یک اسکن است، نه متن واقعی.
PDF بومی در مقابل PDF اسکن‌شده: تفاوت اصلی
دو نوع اساسیِ متفاوت از فایل‌های PDF وجود دارد:
- PDFهای بومی (دیجیتال)توسط نرم‌افزار ایجاد می‌شوند - Word، Google Docs، Acrobat، یا درایور پرینت. متن به‌صورت داده واقعی کاراکترها درون فایل ذخیره می‌شود. وقتی این نوع PDF را به Word تبدیل می‌کنید، مبدل کاراکترها را مستقیماً می‌خواند. نتایج معمولاً دقیق هستند و قالب‌بندی تا حد زیادی حفظ می‌شود.
- فایل‌های PDF اسکن‌شدهعکس‌هایی از یک صفحه هستند. اسکنر یک تصویر ثبت می‌کند. نرم‌افزار PDF آن تصویر را در یک پوشه PDF قرار می‌دهد. هیچ داده متنی درون آن وجود ندارد - فقط پیکسل. یک مبدل PDF به Word که این فایل را باز می‌کند، یک تصویر می‌بیند، نه کاراکترها. نمی‌تواند از یک تصویر، متن قابل ویرایش تولید کند.
چگونه تشخیص دهید چه نوع فایل PDF دارید
فایل PDF را باز کنید و سعی کنید با نشانگر ماوس یک کلمه را انتخاب کنید. اگر می‌توانید کلمات را به‌صورت جداگانه هایلایت کنید و در کلیپ‌بورد کپی کنید، یک PDF بومی است. اگر نشانگر کل صفحه را به‌عنوان یک بلوک انتخاب می‌کند – یا اصلاً هیچ کاری انجام نمی‌دهد – یک PDF اسکن‌شده است.
چیزی که نیاز دارید: OCR
تبدیل یک PDF اسکن‌شده به متن قابل ویرایش نیازمند تشخیص نویسه نوری (OCR) است – نرم‌افزاری که تصویر را تحلیل کرده و حروف، کلمات و ساختار پاراگراف را شناسایی می‌کند. OCR به‌عنوان یک مرحله جداگانه قبل یا به‌جای تبدیل به Word اجرا می‌شود.
ابزارهایی که می‌توانند یک PDF اسکن‌شده را OCR کنند:
- Google Docs– فایل PDF را در Google Drive آپلود کنید، راست‌کلیک کنید -> Open with Google Docs. گوگل به‌طور خودکار OCR را اجرا می‌کند. کیفیت متغیر است اما برای اسناد تمیز و باکیفیت اسکن‌شده خوب است.
- Adobe Acrobat Pro– Tools -> Enhance Scans -> Recognize Text. نتایج دقیقی دارد، اما نیازمند اشتراک پولی است.
- Microsoft OneNote- فایل PDF را به‌صورت تصویر چاپی (Printout) درج کنید، سپس کلیک راست -> Copy Text from Picture. به‌صورت صفحه‌به‌صفحه کار می‌کند؛ قالب‌بندی را حفظ نمی‌کند.
پس از اینکه سند فرآیند OCR را طی کرد، می‌توان آن را با نتایج بسیار بهتری به Word تبدیل کرد. استفاده کنید ازابزار PDF به Word پاگیوو (Pagivo)پس از مرحله OCR وقتی به یک فایل DOCX قابل ویرایش نیاز دارید.
گرفتن بهترین نتایج از OCR
دقت OCR به‌شدت به کیفیت اسکن بستگی دارد. سه دلیل رایج که OCR خروجی نامفهوم تولید می‌کند:
- رزولوشن بیش از حد پایین است.هر چیزی کمتر از ۱۵۰ DPI باعث می‌شود تشخیص کاراکترها غیرقابل اعتماد باشد. ۳۰۰ DPI حداقل عملی برای نتایج یکدست و خوب است.
- کج بودن صفحه.حتی یک کج‌شدگی دو درجه‌ای تشخیص مرز کاراکترها را مبهم می‌کند. بیشتر نرم‌افزارهای اسکنر گزینه‌ی auto-deskew دارند - اگر موجود است آن را فعال کنید.
- محتوای دست‌نویس.OCR روی متن چاپی آموزش دیده است. تشخیص دست‌خط مسئله‌ای جداگانه و به‌طرز چشمگیری دشوارتر است. ابزارهای OCR استاندارد روی صفحات دست‌نویس خروجی ضعیفی تولید می‌کنند.
اگر فقط به جست‌وجو نیاز دارید، نه ویرایش
اگر فقط لازم است متنی را داخل سند پیدا کنید و آن را ویرایش نکنید، اصلاً نیازی به تبدیل به Word ندارید. هدف در این حالت، قابل جست‌وجو کردن PDF است - افزودن یک لایه‌ی متنی پنهان روی تصاویر - نه استخراج متن به قالبی جدید. وقتی PDF لایه‌ی متنی داشته باشد، Ctrl+F در بیشتر نمایشگرهای PDF به‌طور عادی کار می‌کند. همچنین می‌توانید استفاده کنید ازAsk PDFو از آن بخواهید که یک فایل PDF با قابلیت جستجو از طریق OCR ایجاد کند.
چرا کیفیت اسکن اصلی بیش از ابزار اهمیت دارد
هیچ نرم‌افزار تبدیلی نمی‌تواند جزئیاتی را که توسط اسکنر ثبت نشده بازیابی کند. اسکن تار یا کم‌نورِ یک کپی کم‌رنگ، صرف‌نظر از اینکه از چه ابزاری استفاده کنید، خروجی ضعیفی در Word تولید خواهد کرد. مؤثرترین بهبودی که همیشه می‌توانید انجام دهید این است که در صورت در دسترس بودن سند اصلی، آن را با وضوح بالاتر و نورپردازی بهتر دوباره اسکن کنید.