PDF imbasan ke Word biasanya memberi hasil lebih baik apabila fail diperiksa dan dibersihkan sebelum OCR bermula. Jika PDF mengandungi halaman senget, teks pudar, beberapa bahasa, cop, atau pencahayaan tidak sekata, mutu pengecaman boleh merosot jauh lebih awal sebelum kandungan dipindahkan ke Word. Dalam amalan, persoalannya bukan sekadar alat mana hendak digunakan, tetapi bagaimana menjadikan dokumen lebih mudah dibaca oleh OCR.
Bayangkan satu contoh mudah: satu paket pembekal setebal 24 halaman diimbas daripada kertas. Kebanyakan halaman tegak, dua halaman mengiring, beberapa halaman berlatar kelabu, dan halaman terakhir mengandungi bahasa Inggeris serta satu lagi bahasa. Jika fail itu terus dimasukkan ke proses PDF imbasan ke Word, hasilnya mungkin mengandungi baris pecah, aksara tertinggal, atau perenggan tersusun salah. Aliran kerja yang lebih praktikal bermula dengan semakan dan kemasan asas.
Nilai mutu imbasan dahulu, bukan format keluaran
Ramai orang menganggap OCR sebagai langkah penukaran, tetapi dalam praktiknya ia ialah langkah pembacaan. Hasil Word sangat bergantung pada sama ada halaman sumber cukup jelas untuk perisian mengesan huruf, perkataan dan struktur halaman.
Sebelum memproses fail, semak perkara asas ini:
- Adakah semua halaman tegak, atau ada yang diputar sembilan puluh atau seratus lapan puluh darjah?
- Adakah teks cukup gelap berbanding latar belakang?
- Adakah terdapat bayang di bahagian jilid atau tepi halaman?
- Adakah dokumen menggunakan satu bahasa atau beberapa bahasa?
- Adakah nota tulisan tangan, cop, meterai atau tandatangan menutupi teks bercetak?
- Adakah imej imbasan tajam, atau kelihatan kabur apabila dizum masuk?
Jika beberapa masalah ini muncul serentak, ralat OCR biasanya bertambah dengan cepat. Dalam keadaan begitu, penyediaan fail lebih penting daripada sekadar memilih pilihan eksport lain.
Betulkan arah halaman sebelum OCR
Putaran halaman ialah antara masalah paling lazim yang sebenarnya boleh dielakkan. Pembaca manusia masih boleh memahami halaman yang mengiring, tetapi sistem OCR boleh tersalah baca, terutama apabila halaman itu juga mengandungi jadual, cop atau kontras rendah.
Urutan kerja yang praktikal ialah:
- Semak semua halaman dalam paparan lakaran kecil.
- Betulkan halaman yang mengiring atau terbalik.
- Asingkan halaman yang menggunakan arah bacaan atau susun atur berbeza.
- Semak semula kelompok bercampur, khususnya jika pengimbas memutar sesetengah halaman secara automatik tetapi tidak yang lain.
Langkah ini sangat penting untuk paket berbilang bahasa, apabila satu bahagian mungkin menegak manakala bahagian lain diimbas melintang. Jika fail masih pada peringkat semakan, pembetulan arah halaman patut dibuat sebelum sebarang cubaan OCR. Jika anda perlukan maklumat latar tentang aliran kerja dan ketersediaan semasa, lihat halaman maklumat OCR PDF ke Word.
Tingkatkan kontras dan kebolehbacaan untuk imbasan lemah
Imbasan berkontras rendah sering kelihatan masih boleh dibaca pada skrin, tetapi prestasinya lemah untuk OCR. Contoh biasa termasuk salinan karbon yang pudar, kertas kelabu dan PDF daripada kamera telefon. Dalam fail seperti ini, bentuk huruf boleh bercampur dengan latar belakang, lalu OCR terpaksa meneka sempadan aksara.
Pilihan penyediaan yang berguna termasuk:
- Tingkatkan kontras supaya teks lebih menonjol daripada latar belakang.
- Kurangkan bayang pada lipatan, jilid atau tepi halaman.
- Tukar halaman berwarna kepada skala kelabu atau hitam putih yang lebih bersih jika warna hanya menambah gangguan.
- Elakkan penajaman berlebihan yang boleh menghasilkan tepi huruf bergerigi.
- Imbas semula halaman penting jika imej asal jelas kabur.
Matlamatnya bukan menjadikan halaman kelihatan terlalu kuat atau keras. Matlamat sebenar ialah menjadikan bentuk huruf lebih jelas. Pembersihan sederhana pun kadangkala membantu OCR membezakan aksara yang hampir sama seperti O dan 0, I dan l, atau rn dan m.
Anggap dokumen berbilang bahasa sebagai masalah bacaan yang berasingan
PDF dengan bahasa bercampur bukan sekadar satu tugasan OCR yang seragam. Skrip, tanda baca dan pola jarak yang berbeza boleh mempengaruhi pengecaman. Walaupun sesuatu halaman kebanyakannya menggunakan satu bahasa, beberapa nama khas, alamat atau medan rasmi dalam bahasa lain masih boleh menurunkan keyakinan pengecaman.
Bagi keputusan kerja yang lebih praktikal:
- Kelompokkan halaman mengikut bahasa utama jika boleh.
- Asingkan borang, surat, invois dan lampiran jika gaya susun aturnya berbeza.
- Perhatikan halaman yang hanya memaparkan bahasa lain pada cop, pengepala atau pengaki.
- Anggap nama khas dan kod sebagai item semakan manual selepas OCR.
Tumpuan rencana ini ialah penyediaan sebelum OCR, bukan pembetulan selepas penukaran. Intinya, OCR untuk dokumen berbilang bahasa selalunya bertambah baik apabila anda tidak lagi menganggap seluruh PDF sebagai satu dokumen yang seragam.
Ketahui bila lebih baik imbas semula
Kadangkala jalan paling cepat bukan mencuba OCR sekali lagi, tetapi mendapatkan fail sumber yang lebih baik. Jika imbasan senget, terlalu dimampatkan, diambil pada sudut serong, atau dilitupi silau, OCR mungkin tidak akan cukup boleh diharap untuk menghasilkan teks Word yang kemas.
Pertimbangkan untuk mengimbas semula apabila:
- Teks kecil tidak lagi jelas apabila dizum masuk.
- Tepi halaman melengkung kerana imej diambil dengan kamera.
- Garis kelihatan berombak atau herot berhampiran bahagian jilid.
- Bayang gelap memotong blok teks.
- PDF kelihatan seperti imbasan kepada cetakan daripada imbasan yang lebih lama.
Kontrak sepuluh halaman yang diimbas semula dengan baik boleh menjimatkan lebih banyak masa berbanding membetulkan ratusan ralat OCR kemudian. Dalam aliran kerja dokumen sebenar, imbas semula sering menjadi pilihan paling praktikal, bukannya satu kegagalan.
Gunakan senarai semak ringkas sebelum OCR
Sebelum menukar fail, gunakan semakan ringkas ini.
| Item | Apa yang perlu disahkan | Tindakan jika belum sedia |
|---|---|---|
| Arah halaman | Semua halaman menghadap arah yang betul | Putar halaman dahulu |
| Kontras | Teks jelas lebih gelap daripada latar | Tingkatkan kontras atau imbas semula |
| Ketajaman | Huruf masih jelas apabila dizum masuk | Imbas semula halaman kabur |
| Pengelompokan bahasa | Bahagian berbilang bahasa telah dikenal pasti | Asingkan atau proses mengikut bahagian |
| Gangguan imej | Bayang, kotoran dan tekstur latar adalah terhad | Bersihkan imej jika boleh |
| Kebenaran akses | Anda dibenarkan mengakses dan memproses dokumen | Hentikan dan sahkan kebenaran |
Senarai semak seperti ini membantu mengurangkan kesilapan yang boleh dielakkan sebelum proses PDF imbasan ke Word bermula.
Ikuti langkah kerja yang mudah diulang
Jika anda mahukan proses yang konsisten, gunakan urutan ini:
- Periksa PDF halaman demi halaman.
- Betulkan halaman yang mengiring atau terbalik.
- Kurangkan masalah imej yang jelas seperti bayang tebal atau kontras lemah.
- Asingkan bahagian yang menggunakan bahasa berbeza atau susun atur yang sangat berbeza.
- Tentukan sama ada ada halaman yang patut diimbas semula.
- Jalankan OCR hanya selepas fail kelihatan lebih bersih secara visual.
- Semak beberapa halaman contoh untuk menilai sama ada mutu sumber sudah memadai.
Urutan ini sengaja dibuat ringkas. Ia tidak menjanjikan pemformatan sempurna, dan ia juga tidak mengandaikan setiap dokumen patut terus dipindahkan daripada imbasan ke Word tanpa persediaan.
Had yang perlu diingat
Penyediaan fail boleh membantu OCR, tetapi tidak menghapuskan semua masalah. Sesetengah dokumen kekal sukar diproses kerana mutu sumber asalnya.
Had lazim termasuk:
- Cetakan sangat kecil atau salinan fotostat yang telah merosot
- Teks yang ditutup oleh meterai, tandatangan atau nota tulisan tangan
- Halaman melengkung daripada imbasan buku
- Susun atur padat seperti dokumen undang-undang atau teknikal dengan nota kaki dan label sisi
- Skrip bercampur pada baris yang sama
Selain itu, akses dokumen juga penting. Jika PDF dilindungi, sebarang langkah membuka sekatan atau membuang kata laluan hanya patut digunakan pada dokumen yang anda memang dibenarkan akses. Ini tidak bermaksud memintas kata laluan yang tidak diketahui.
Bagi Sanreader secara khusus, jangkaan perlu kekal tepat: halaman alat maklumat boleh menerangkan aliran kerja dokumen, tetapi anda tidak patut menganggap Sanreader kini menyediakan muat naik dalam talian, penukaran langsung atau penyepaduan muat turun jika ciri tersebut belum disediakan.
Perkara yang paling penting dalam amalan
Apabila orang mencari PDF imbasan ke Word, mereka sering menyangka keputusan utama ialah memilih alat. Dalam banyak keadaan sebenar, keputusan yang lebih besar ialah sama ada imbasan itu benar-benar sudah sedia. Arah halaman, kontras, kekaburan dan campuran bahasa biasanya menentukan sama ada OCR bermula daripada sumber yang boleh dibaca atau sumber yang sudah bermasalah.
Jika anda menyediakan fail terlebih dahulu, anda boleh mengurangkan ralat pengecaman yang boleh dielakkan dan memudahkan semakan kemudian. Itulah kelebihan praktikalnya: input yang lebih baik, kurang kejutan semasa hasil diperiksa.