ทำไมการแปลง PDF เป็น Word จึงล้มเหลวกับเอกสารสแกน (และวิธีแก้ไข)

คุณสแกนเอกสาร แปลงเป็น Word แล้วเปิดผลลัพธ์ดู กลับพบแต่หน้าว่างๆ รูปภาพฝังเพียงรูปเดียว หรือตัวอักษรเละเทะ นี่คือหนึ่งในปัญหาที่พบบ่อยที่สุดของไฟล์ PDF และสาเหตุเกือบจะเป็นเรื่องเดียวกันเสมอ นั่นคือไฟล์ PDF นั้นมีเนื้อหาที่สแกนมา ไม่ใช่ข้อความจริง

PDF แบบเนทีฟ เทียบกับ PDF ที่สแกน: ความแตกต่างสำคัญ

ไฟล์ PDF มีอยู่สองประเภทที่แตกต่างกันอย่างสิ้นเชิง ได้แก่

• PDF แบบเนทีฟ (ดิจิทัล)ถูกสร้างขึ้นโดยซอฟต์แวร์ เช่น Word, Google Docs, Acrobat หรือไดรเวอร์เครื่องพิมพ์ ข้อความถูกจัดเก็บเป็นข้อมูลตัวอักษรจริงภายในไฟล์ เมื่อคุณแปลงไฟล์ PDF ประเภทนี้เป็น Word ตัวแปลงจะอ่านตัวอักษรโดยตรง ผลลัพธ์มักจะถูกต้อง และการจัดรูปแบบจะถูกคงไว้เป็นส่วนใหญ่
• PDF ที่สแกนคือภาพถ่ายของหน้ากระดาษ เครื่องสแกนจะบันทึกภาพ ซอฟต์แวร์ PDF จะห่อภาพนั้นด้วย envelope แบบ PDF ภายในไฟล์ไม่มีข้อมูลข้อความ มีแค่พิกเซลเท่านั้น ตัวแปลง PDF เป็น Word ที่เปิดไฟล์นี้จะเห็นภาพ ไม่ใช่ตัวอักษร จึงไม่สามารถ สร้างข้อความที่แก้ไขได้จากภาพนั้น

วิธีตรวจสอบว่าคุณมี PDF ประเภทใด

เปิดไฟล์ PDF แล้วลองใช้เคอร์เซอร์เลือกคำ หากคุณสามารถไฮไลต์คำแต่ละคำ และคัดลอกไปยังคลิปบอร์ดได้ นั่นคือ PDF แบบพื้นเมือง หากเคอร์เซอร์เลือกทั้งหน้า เป็นก้อนเดียว หรือไม่ทำอะไรเลย นั่นคือ PDF แบบสแกน

สิ่งที่คุณต้องมี: OCR

การแปลง PDF แบบสแกนเป็นข้อความที่แก้ไขได้ต้องใช้การรู้จำอักขระด้วยแสง (OCR) - ซอฟต์แวร์ที่วิเคราะห์ภาพและระบุตัวอักษร คำ และโครงสร้างย่อหน้า OCR ทำงานเป็นขั้นตอนแยกต่างหากก่อนการแปลงเป็น Word หรือแทนการแปลงโดยตรง

เครื่องมือที่สามารถทำ OCR สำหรับ PDF แบบสแกน:

• Google Docs- อัปโหลด PDF ไปยัง Google Drive คลิกขวา -> เปิดด้วย Google Docs Google จะรัน OCR โดยอัตโนมัติ คุณภาพแตกต่างกันไปแต่ดีสำหรับ เอกสารที่สแกนสะอาดและชัดเจน
• Adobe Acrobat Pro- เครื่องมือ -> ปรับปรุงเอกสารสแกน -> จดจำข้อความ ให้ผลลัพธ์ที่แม่นยำ แต่ต้องใช้การสมัครสมาชิกแบบเสียเงิน
• Microsoft OneNote- แทรก PDF เป็นภาพสิ่งพิมพ์ คลิกขวา -> Copy Text from Picture ใช้ได้ทีละหน้า แต่ไม่รักษารูปแบบการจัดหน้า

เมื่อประมวลผลเอกสารด้วย OCR แล้ว สามารถแปลงเป็น Word ได้ด้วยผลลัพธ์ที่ดีกว่ามาก ใช้Pagivo PDF to Wordหลังขั้นตอน OCR เมื่อคุณต้องการไฟล์ DOCX ที่แก้ไขได้

วิธีได้ผลลัพธ์ OCR ที่ดีที่สุด

ความแม่นยำของ OCR ขึ้นอยู่กับคุณภาพการสแกนเป็นอย่างมาก สาเหตุที่พบบ่อยที่สุดสามข้อที่ทำให้ OCR ให้ผลลัพธ์ที่เพี้ยน:

1. ความละเอียดต่ำเกินไปความละเอียดต่ำกว่า 150 DPI ทำให้การจดจำตัวอักษรไม่น่าเชื่อถือ 300 DPI คือค่าขั้นต่ำที่ใช้ได้จริงสำหรับผลลัพธ์ที่ดีสม่ำเสมอ
2. ความเอียงของหน้ากระดาษการเอียงเพียงสององศาก็ทำให้การตรวจจับขอบเขตของตัวอักษรกลายเป็นเรื่องกำกวม ซอฟต์แวร์สแกนส่วนใหญ่มีตัวเลือกแก้ความเอียงอัตโนมัติ (auto-deskew) - เปิดใช้งานหากมีให้ใช้
3. เนื้อหาที่เขียนด้วยลายมือOCR ได้รับการฝึกฝนจากข้อความพิมพ์ การจดจำลายมือเป็นปัญหาแยกต่างหากที่ยากกว่ามาก เครื่องมือ OCR ทั่วไปจะให้ผลลัพธ์ที่ไม่ดีกับหน้าที่เขียนด้วยลายมือ

หากคุณต้องการแค่ค้นหา ไม่ใช่แก้ไข

หากคุณต้องการเพียงค้นหาข้อความภายในเอกสารแทนที่จะแก้ไข คุณไม่จำเป็นต้องแปลงเป็น Word เลย ในกรณีนั้นเป้าหมายคือทำให้ PDF ค้นหาได้ - โดยการเพิ่มเลเยอร์ข้อความที่ซ่อนอยู่เหนือภาพ - มากกว่าการแยกข้อความออกเป็นรูปแบบใหม่ เมื่อ PDF มีเลเยอร์ข้อความแล้ว Ctrl+F จะทำงานได้ตามปกติในโปรแกรมอ่าน PDF ส่วนใหญ่ คุณยังสามารถใช้ถาม PDFและสั่งให้สร้าง PDF OCR ที่ค้นหาได้

ทำไมคุณภาพการสแกนต้นฉบับจึงสำคัญกว่าเครื่องมือ

ซอฟต์แวร์แปลงไฟล์ไม่มีตัวไหนสามารถกู้คืนรายละเอียดที่เครื่องสแกนไม่ได้จับภาพไว้ได้ การสแกนเอกสารสำเนาที่ซีดจางให้ได้ภาพเบลอหรือมืดเกินไป จะให้ผลลัพธ์ไฟล์ Word ที่คุณภาพต่ำไม่ว่าจะใช้เครื่องมือใดก็ตาม การปรับปรุงที่ให้ผลสูงสุดที่คุณทำได้คือการสแกนเอกสารซ้ำด้วยความละเอียดที่สูงขึ้นและแสงที่ดีกว่า หากมีต้นฉบับอยู่ในมือ