Scannet PDF til Word med OCR fungerer bedst, når scanningen er klargjort, før tekstgenkendelsen går i gang. Hvis en PDF har roterede sider, svag tekst, flere sprog, stempler eller ujævn belysning, kan kvaliteten falde længe før noget eksporteres til Word. Det praktiske spørgsmål er derfor ikke kun, hvilket værktøj du vælger, men hvordan du først gør dokumentet lettere at læse for OCR.
Et enkelt eksempel: Forestil dig en leverandørmappe på 24 sider, som er scannet fra papir. Nogle sider vender rigtigt, to ligger på siden, flere har grå baggrund, og de sidste sider indeholder både engelsk og et andet sprog. Hvis du sender filen direkte videre til scannet PDF til Word, kan resultatet blive linjer, der brydes forkert, tegn der mangler, eller afsnit der havner de forkerte steder. En bedre arbejdsgang starter med gennemsyn og oprydning.
Start med at vurdere scanningen, ikke outputformatet
Mange tænker på OCR som et konverteringstrin, men i praksis er det først og fremmest et læsetrin. Resultatet i Word afhænger af, om kildesiderne er tydelige nok til, at et program kan skelne bogstaver, ord og sidestruktur.
Før du behandler filen, bør du kontrollere disse punkter:
- Vender alle sider rigtigt, eller er nogle roteret halvfems eller hundredeogfirs grader?
- Er teksten mørk nok i forhold til baggrunden?
- Er der skygger ved ryggen eller sidekanterne?
- Er dokumentet på ét sprog eller flere?
- Dækker håndskrevne noter, stempler, segl eller underskrifter noget af den maskinskrevne tekst?
- Er scanningen skarp, eller virker den blød og uskarp ved zoom?
Hvis flere af disse problemer optræder samtidig, vokser OCR-fejlene som regel hurtigt. I den situation betyder forberedelsen mere end at vælge en anden eksportmulighed.
Ret sideretning før OCR
Rotation er et af de mest almindelige problemer, som kan undgås. En person kan hurtigt vippe hovedet og læse en side, men OCR kan fejlfortolke tekst, der ligger på siden, især hvis siden også indeholder tabeller, stempler eller lav kontrast.
En praktisk rækkefølge er:
- Gennemse alle sider i miniaturevisning.
- Ret sider, der vender på siden eller på hovedet.
- Adskil sider, der har en anden læseretning eller opbygning.
- Kontrollér blandede bunker igen, især hvis en scanner har roteret nogle sider automatisk, men ikke andre.
Det er særligt vigtigt i flersprogede dokumentpakker, hvor én sektion kan være i stående format, mens en anden er scannet liggende. Hvis filen stadig er i klargøringsfasen, bør sideretning rettes, før du forsøger OCR. Hvis du vil læse om den generelle proces og aktuel tilgængelighed, kan du se informationssiden om OCR PDF til Word.
Forbedr kontrast og læsbarhed i svage scanninger
Scanninger med lav kontrast kan se acceptable ud på skærmen, men fungere dårligt til OCR. Falmede kopier, gråt papir og PDF-filer fra mobilkameraer er typiske eksempler. I sådanne filer kan bogstaver flyde sammen med baggrunden, så programmet må gætte, hvor tegnkanterne begynder og slutter.
Nyttige valg i forberedelsen kan være:
- Øg kontrasten, så teksten står tydeligere frem mod baggrunden.
- Reducér baggrundsskygger ved fold, ryg eller kant.
- Skift farvesider til renere gråtoner eller sort-hvid, hvis farver mest tilfører støj.
- Undgå for hård skarphed, fordi det kan skabe takkede bogstaver og falske kanter.
- Scan vigtige sider igen, hvis originalbilledet tydeligt er uskarpt.
Målet er ikke at få siden til at se dramatisk ud. Målet er at gøre bogstavformer mere tydelige. Selv beskeden oprydning kan hjælpe OCR med at skelne mellem tegn som O og 0, I og l eller rn og m.
Behandl flersprogede dokumenter som adskilte læseopgaver
En PDF med flere sprog er ikke bare én samlet OCR-opgave. Forskellige skriftsystemer, tegnsætning og afstandsregler kan påvirke genkendelsen. Selv når en side hovedsageligt er på engelsk, kan enkelte navne, adresser eller faste felter på et andet sprog sænke sikkerheden i aflæsningen.
Til praktiske beslutninger i arbejdsgangen kan du gøre følgende:
- Gruppér sider efter hovedsprog, hvis det er muligt.
- Hold formularer, breve, fakturaer og bilag adskilt, hvis de bruger meget forskellige formater.
- Vær opmærksom på sider, hvor et andet sprog kun optræder i stempler, sidehoveder eller sidefødder.
- Betragt egennavne og koder som punkter, der kræver manuel kontrol efter OCR.
Denne artikel handler om forberedelse, ikke om efterfølgende redigering. Hovedpointen er, at flersproget OCR ofte bliver bedre, når du ikke behandler hele PDF-filen som ét ensartet dokument.
Vurdér hvornår en ny scanning er bedre end endnu et OCR-forsøg
Nogle gange er den hurtigste vej ikke et nyt OCR-forsøg, men en bedre kildefil. Hvis scanningen er skæv, komprimeret for hårdt, fotograferet i vinkel eller dækket af genskin, bliver OCR måske aldrig stabil nok til et brugbart Word-resultat.
Overvej at scanne igen, når:
- Lille tekst bliver ulæselig ved zoom.
- Sidekanter buer indad på grund af kamerabillede.
- Linjer bliver bølgede eller forvrængede tæt ved ryggen.
- Mørke skygger skærer gennem tekstblokke.
- PDF-filen ligner en scanning af et print af en anden scanning.
En ny scanning af en kontrakt på ti sider kan spare mere tid end senere manuel rettelse af hundredvis af OCR-fejl. I almindelig dokumentbehandling er en ny scanning ofte det praktiske valg, ikke et nederlag.
Brug en kort kontroltabel før OCR
Før du går videre, kan du bruge denne enkle kontrol.
| Punkt | Hvad du skal bekræfte | Hvad du gør, hvis det ikke er klart |
|---|---|---|
| Sideretning | Alle sider vender korrekt | Rotér siderne først |
| Kontrast | Teksten er tydeligt mørkere end baggrunden | Forbedr kontrasten eller scan igen |
| Skarphed | Bogstaver forbliver tydelige ved zoom | Scan uskarpe sider igen |
| Sprogopdeling | Flersprogede sektioner er identificeret | Del op eller behandl i sektioner |
| Støj | Skygger, pletter og baggrundsstruktur er begrænsede | Ryd op i billedet, hvor det er muligt |
| Tilladelse | Du har ret til at tilgå og behandle dokumentet | Stop og bekræft tilladelsen |
Denne type kontrol hjælper med at forebygge fejl, der ellers kunne være undgået, før scannet PDF til Word køres med OCR.
En enkel trinvis fremgangsmåde
Hvis du vil have en metode, der kan gentages, kan du bruge denne rækkefølge:
- Gennemse PDF-filen side for side.
- Ret sider, der vender forkert.
- Reducér tydelige billedproblemer som kraftige skygger eller svag kontrast.
- Opdel sektioner med forskellige sprog eller meget forskellige sidelayouts.
- Vurdér om nogle sider bør scannes igen.
- Kør først OCR, når filen ser mere læsbar ud.
- Kontrollér nogle udvalgte sider for at vurdere, om kildens kvalitet var god nok.
Denne fremgangsmåde er bevidst enkel. Den lover ikke perfekt formatering, og den forudsætter ikke, at alle dokumenter bør gå direkte fra scanning til Word uden forberedelse.
Begrænsninger du bør have i mente
Forberedelse kan forbedre OCR, men den fjerner ikke alle problemer. Nogle dokumenter vil stadig være vanskelige på grund af selve kilden.
Almindelige begrænsninger omfatter:
- Meget lille skrift eller nedslidte fotokopier
- Tekst dækket af segl, underskrifter eller håndskrevne noter
- Buede sider fra bogscanninger
- Tætte juridiske eller tekniske layout med fodnoter og sidemærkater
- Blandet skrift på samme linje
Adgang til dokumentet er også vigtig. Hvis en PDF er beskyttet, må enhver oplåsning eller fjernelse af adgangskode kun gælde filer, som du har ret til at tilgå. Det betyder ikke, at man omgår en ukendt adgangskode.
For Sanreader gælder det også, at informationssider kan beskrive dokumentarbejdsgange, men du bør ikke antage, at der allerede findes online upload, aktiv konvertering eller hentning, hvor sådanne funktioner endnu ikke er gjort tilgængelige.
Det vigtigste i praksis
Når folk søger efter scannet PDF til Word, forventer de ofte, at det vigtigste valg er selve værktøjet. I mange virkelige tilfælde er det større spørgsmål, om scanningen overhovedet er klar. Rotation, kontrast, sløring og blandede sprog afgør ofte, om OCR læser fra en tydelig kilde eller fra en problemfyldt en.
Hvis du klargør filen først, mindsker du fejl, der kunne være undgået, og gør efterkontrollen lettere. Det er den praktiske fordel: bedre input og færre overraskelser.