Skanujesz dokument, konwertujesz go do Worda, otwierasz wynik – i okazuje się, że to pusta strona, pojedynczy osadzony obraz lub zniekształcone znaki. To jedno z najczęstszych frustracji związanych z PDF, a przyczyna jest prawie zawsze ta sama: plik PDF zawiera skan, a nie prawdziwy tekst.
Natywny PDF a skanowany PDF: kluczowa różnica
Istnieją dwa zasadniczo różne rodzaje plików PDF:
- Natywne (cyfrowe) pliki PDFsą tworzone przez oprogramowanie – Word, Google Docs, Acrobat lub sterownik drukarki. Tekst jest zapisany jako rzeczywiste dane znaków wewnątrz pliku. Podczas konwersji tego rodzaju PDF do Worda konwerter odczytuje znaki bezpośrednio. Wyniki są zazwyczaj dokładne, a formatowanie w dużej mierze zachowane.
- Skanowane pliki PDFto fotografie strony. Skaner przechwytuje obraz. Oprogramowanie PDF opakuje ten obraz w kopertę PDF. Nie ma w środku danych tekstowych – tylko piksele. Konwerter PDF do Worda, który otworzy taki plik, widzi obraz, a nie znaki. Nie potrafi wytworzyć edytowalnego tekstu z obrazu.
Jak rozpoznać, jakiego rodzaju PDF posiadasz
Otwórz plik PDF i spróbuj zaznaczyć słowo kursorem. Jeśli możesz wyróżniać pojedyncze słowa i kopiować je do schowka, jest to natywny PDF. Jeśli kursor zaznacza całą stronę jako jeden blok – albo nie robi nic – jest to zeskanowany PDF.
Czego potrzebujesz: OCR
Konwersja zeskanowanego PDF na edytowalny tekst wymaga optycznego rozpoznawania znaków (OCR) – oprogramowania, które analizuje obraz i rozpoznaje litery, słowa oraz strukturę akapitów. OCR wykonywany jest jako osobny krok przed konwersją do Worda lub zamiast niej.
Narzędzia, które mogą wykonać OCR na zeskanowanym PDF:
- Dokumenty Google– prześlij PDF do Dysku Google, kliknij prawym przyciskiem myszy -> Otwórz w Dokumentach Google. Google automatycznie wykonuje OCR. Jakość jest różna, ale dobra w przypadku czystych, dobrze zeskanowanych dokumentów.
- Adobe Acrobat Pro– Narzędzia -> Ulepsz skany -> Rozpoznaj tekst. Dokładne wyniki, ale wymaga płatnej subskrypcji.
- Microsoft OneNote- wstaw PDF jako obraz wydruku, kliknij prawym przyciskiem myszy -> Kopiuj tekst z obrazu. Działa strona po stronie; nie zachowuje formatowania.
Po przetworzeniu dokumentu za pomocą OCR można go przekonwertować do Worda z znacznie lepszymi wynikami. UżyjPagivo PDF to Wordnarzędzia po kroku OCR, gdy potrzebujesz edytowalnego pliku DOCX.
Uzyskiwanie najlepszych wyników OCR
Dokładność OCR silnie zależy od jakości skanu. Trzy najczęstsze przyczyny, dla których OCR generuje zniekształcony tekst:
- Zbyt niska rozdzielczość.Wszystko poniżej 150 DPI sprawia, że rozpoznawanie znaków jest zawodne. 300 DPI to praktyczne minimum dla konsekwentnie dobrych wyników.
- Skos strony.Nawet dwustopniowe przechylenie sprawia, że wykrywanie granic znaków jest niejednoznaczne. Większość programów skanujących ma opcję automatycznego prostowania – włącz ją, jeśli jest dostępna.
- Treść pisana ręcznie.OCR jest trenowany na tekście drukowanym. Rozpoznawanie pisma odręcznego to osobny, znacznie trudniejszy problem. Standardowe narzędzia OCR dadzą słabe wyniki na stronach pisanych ręcznie.
Jeśli potrzebujesz tylko wyszukiwać, a nie edytować
Jeśli potrzebujesz jedynie znajdować tekst wewnątrz dokumentu, a nie edytować go, w ogóle nie musisz konwertować do Worda. Celem w takim przypadku jest nadanie PDF-owi przeszukiwalności – dodanie ukrytej warstwy tekstowej nad obrazami – a nie wyodrębnienie tekstu do nowego formatu. Gdy PDF ma warstwę tekstową, Ctrl+F działa normalnie w większości przeglądarek PDF. Możesz też użyćZapytaj PDFi poproś go o utworzenie przeszukiwalnego pliku PDF z OCR.
Dlaczego jakość oryginalnego skanu ma większe znaczenie niż narzędzie
Żadne oprogramowanie do konwersji nie jest w stanie odzyskać szczegółów, które nie zostały uchwycone przez skaner. Rozmyty lub niedoświetlony skan wyblakłej fotokopii da słaby wynik w Wordzie niezależnie od tego, którego narzędzia użyjesz. Najskuteczniejszą poprawą, jaką możesz wprowadzić, jest zawsze ponowne zeskanowanie dokumentu w wyższej rozdzielczości i przy lepszym oświetleniu, jeśli masz dostęp do oryginału.