Scannet PDF til Word kan spare tid, men resultatet er først brugbart, når Word-filen er gennemgået grundigt. De mest almindelige problemer opstår efter selve tekstgenkendelsen: to spalter bliver slået sammen, tabelceller forskydes, overskrifter mister deres niveau, og tegn der ligner hinanden, bliver læst forkert. En kort og fast kontrolrutine gør det lettere at opdage fejl, før dokumentet bliver redigeret, delt eller genbrugt.
Denne guide handler om kvalitetstjek efter OCR, ikke om hvordan man kører OCR fra start. Hvis du søger en generel informationsside om denne proces, kan du se informationsside om OCR PDF til Word.
Start med en hurtig visuel sammenligning
Før du ændrer i teksten, bør du sammenligne den scannede PDF og Word-versionen side om side. Det første tjek skal besvare ét spørgsmål: Er dokumentets struktur bevaret?
Se især efter disse fejl først:
- Ligger sideskift nogenlunde de samme steder?
- Er sider med flere kolonner bevaret som kolonner, eller er de blevet til én samlet tekstblok?
- Er tabeller stadig tabeller, eller er de blevet til almindelige afsnit?
- Er overskrifter tydeligt adskilt fra brødteksten?
- Er fodnoter, sidehoveder, sidetal eller billedtekster havnet inde i hovedteksten?
En hurtig sammenligning viser ofte, om dokumentet kun kræver let oprydning, eller om strukturen skal bygges op igen.
Tjek kolonner før du læser linje for linje
Kolonner er noget af det letteste for OCR at misforstå. I nyhedsbreve, brochurer, rapporter og faglige artikler kan OCR læse tværs over siden fra venstre kolonne til højre kolonne i stedet for at afslutte den ene kolonne først.
Tegn på problemer med kolonner er blandt andet:
- Sætninger hopper pludseligt til et nyt emne
- Linjer virker sprogligt brudte, selv om ordene ser rigtige ud
- Gentagne tekststumper øverst eller nederst på siden
- Punktlister eller underoverskrifter står i forkert læserækkefølge
En praktisk metode er kun at læse første og sidste linje i hvert afsnit. Hvis sammenhængen virker forkert, så sammenlign med PDF-filen og genskab den rigtige rækkefølge, før du retter småfejl.
Ved tætte layout kan det hjælpe først at markere hver kolonnedel i Word og derefter dele eller samle tekstblokke manuelt. Hvis læserækkefølgen bliver rettet tidligt, undgår du mange senere fejl.
Gennemgå tabeller som data, ikke kun som layout
Tabeller kræver en anden form for kontrol. En tabel kan se rimelig ud ved første øjekast, men indholdet i cellerne kan stadig være forkert.
Almindelige tabelproblemer efter OCR er:
- Rækker er slået sammen
- Én celle er delt i flere celler
- Tal er flyttet til nabokolonner
- Manglende streger skjuler den oprindelige struktur
- Gentagne overskriftsrækker ligger midt i dataene
- Datoer, procenter og beløb er læst forkert
Brug denne korte tjekliste ved gennemgang af en tabel:
| Kontrolpunkt | Det skal du kontrollere |
|---|---|
| Overskriftsrække | Kolonneoverskrifter matcher PDF-filen og står i korrekt rækkefølge |
| Rækkejustering | Hver værdi hører til den rigtige række og kategori |
| Talformat | Decimaler, kommaer, minustegn og procentsymboler er bevaret |
| Tomme celler | Tomme celler er virkelig tomme og ikke forsvundet eller sammenlagt |
| Totaler | Delsummer og samlet total stemmer fortsat med kilden |
Hvis tabellen er lille, kan du sammenligne hver eneste celle. Hvis den er stor, bør du begynde med de mest følsomme kolonner, især id-numre, datoer, beløb og totaler.
Hold øje med genkendelsesfejl, der ser troværdige ud
De farligste OCR-fejl er ikke dem, der straks ser meningsløse ud. Det er de fejl, som virker overbevisende nok til at glide igennem en hurtig gennemlæsning.
Typiske eksempler er:
Oog0I,log1Sog5Bog8rnlæst sommcllæst somd
Disse fejl er særligt risikable i navne, kontonumre, referencer, juridiske formuleringer, målangivelser og tabelværdier. En sætning kan godt se naturlig ud, selv om ét forkert tegn ændrer betydningen.
En nyttig metode er at søge systematisk i Word-filen:
- Søg efter dobbelte mellemrum eller uventede linjeskift.
- Søg efter usædvanlige tegnkombinationer eller enkeltstående symboler.
- Søg efter ord, som du ved forekommer mange gange i dokumentet, og sammenlign flere fund med PDF-filen.
- Vær særligt opmærksom på tal, forkortelser og referencer, hvor OCR-fejl er almindelige.
Hvis dokumentet bruger de samme fagord eller betegnelser mange gange, kan du ofte rette ensartede fejl samlet, når du først har bekræftet mønsteret.
Brug et konkret eksempel på en fuld gennemgang
Forestil dig en scannet finansiel rapport på to sider. Hver side har to kolonner, én oversigtstabel og flere korte afsnit. Efter OCR til Word virker teksten redigerbar, men gennemgangen viser tre problemer:
- Det første afsnit på side ét blander tekst fra begge kolonner.
- I tabellen er ét omsætningstal flyttet til den forkerte kolonne.
- Årstallet
2023står ét sted som2O23, hvor bogstavetOer brugt i stedet for nul.
En praktisk rækkefølge for rettelse kan være:
- Sammenlign side ét med PDF-filen og skil den blandede kolonnetekst ad.
- Genskab eller justér tabellen, før du retter brødteksten, som henviser til den.
- Søg i hele dokumentet efter lignende årstal og kontroller hvert resultat.
- Tjek, at de rettede totaler stadig stemmer med PDF-filen.
- Lav en afsluttende gennemlæsning af overskrifter, billedtekster og siderækkefølge.
Denne rækkefølge virker, fordi strukturfejl ofte fører til efterfølgende tekstfejl. Ret derfor layout først, derefter indhold og til sidst de små tegnfejl.
Brug en fast kontrolrutine ved hver OCR-opgave
En gentagelig metode er mere pålidelig end tilfældig kontrol. For de fleste dokumenter er denne rutine tilstrækkelig:
- Se på layoutet: sammenlign sider, kolonner, overskrifter, lister og tabeller.
- Ret læserækkefølgen: korrigér sammenlagte kolonner, brudte afsnit og fejlplacerede tekstblokke.
- Kontrollér tabeller og tal: gennemgå overskrifter, justering, totaler, datoer og symboler.
- Søg efter sandsynlige OCR-fejl: fokuser på navne, tal, referencer og gentagne termer.
- Lav en afsluttende korrekturlæsning: læs efter mening, ikke kun stavning.
Denne kontrol kan være hurtig for enkle formularer og langt mere tidskrævende for rapporter, kontrakter og datatunge dokumenter. Det vigtigste er, at kontrolniveauet passer til dokumentets risiko. En uformel tekst og et dokument med krav til korrekthed bør ikke gennemgås efter samme standard.
Kend begrænsningerne ved oprydning efter OCR
Nogle OCR-problemer kan ikke løses pænt med små rettelser i Word alene. Hvis scanningen er skæv, svag, beskåret eller visuelt rodet, kan Word-filen få så mange strukturfejl, at den ikke bør bruges uden større manuel genopbygning.
Husk også:
- Dekorative layout forstyrrer ofte læserækkefølgen.
- Stempler, underskrifter og håndskrevne noter kan uventet ende i brødteksten.
- Scanninger af lav kvalitet kan give ensartet, men forkert tekst.
- Komplekse tabeller kræver ofte manuel genskabelse.
Derfor er kvalitetstjek ikke valgfrit. Scannet PDF til Word bør som udgangspunkt behandles som et første udkast til tekstudtræk, ikke som færdigt materiale klar til brug uden kontrol.
Sidste kontrol før genbrug eller deling
Før du sender Word-filen videre, så stil tre afsluttende spørgsmål:
- Står teksten i den rigtige rækkefølge?
- Er tabellerne pålidelige nok til at blive redigeret eller citeret?
- Er følsomme oplysninger som navne, datoer og tal kontrolleret op mod PDF-filen?
Hvis svaret på et af spørgsmålene er nej, mangler dokumentet stadig gennemgang. Få ekstra minutter her kan forhindre forkerte rettelser, fejl i rapportering eller problemer med senere versioner.