Skannet PDF til Word kan spare tid, men resultatet er bare nyttig hvis Word-filen kontrolleres nøye etter OCR. De vanligste problemene oppstår ofte etter tekstgjenkjenningen, ikke før: to kolonner blir slått sammen, tabellceller forskyves, overskrifter mister nivåene sine, og tegn som ligner hverandre blir lest feil. En kort kontrollrutine gjør det lettere å oppdage slike feil før dokumentet redigeres, deles eller brukes på nytt.
Denne veiledningen handler om kontroll etter OCR, ikke om hvordan du kjører OCR. Hvis du leter etter en generell informasjonsside om denne typen prosess, kan du se informasjonsiden om OCR PDF til Word.
Start med en rask visuell sammenligning
Før du endrer teksten, bør du sammenligne den skannede PDF-filen og Word-versjonen side om side. Første gjennomgang bør svare på ett spørsmål: overlevde dokumentstrukturen?
Se først etter disse feilene med størst konsekvens:
- Ligger sideskiftene omtrent på samme steder?
- Er sider med flere kolonner fortsatt delt riktig, eller har de blitt én tekstblokk?
- Er tabeller fortsatt tabeller, eller er de blitt til vanlige avsnitt?
- Skiller overskrifter seg tydelig fra brødtekst?
- Har fotnoter, topptekster, sidetall eller bildetekster havnet inne i hovedteksten?
En rask sammenligning viser ofte om dokumentet bare trenger lett opprydding eller mer omfattende manuell retting.
Kontroller kolonner før du leser linje for linje
Kolonner er blant oppsettene OCR lettest misforstår. I nyhetsbrev, rapporter, brosjyrer og fagtekster kan OCR lese tvers over siden fra venstre kolonne til høyre kolonne, i stedet for å fullføre én kolonne om gangen.
Tegn på kolonnefeil kan være:
- setninger som plutselig hopper til et annet tema
- linjer som virker grammatisk brutt, selv om enkeltordene ser riktige ut
- gjentatte tekstbiter øverst eller nederst på siden
- punktlister eller mellomoverskrifter i feil leserekkefølge
En praktisk test er å lese bare første og siste linje i hvert avsnitt. Hvis flyten virker feil, bør du sammenligne med PDF-filen og gjenopprette riktig rekkefølge før du retter mindre detaljer.
I tette oppsett kan det hjelpe å merke hver kolonneseksjon i Word først og deretter dele eller slå sammen tekstblokker manuelt. Hvis leserekkefølgen blir riktig tidlig, unngår du mange senere feil.
Vurder tabeller som data, ikke bare utseende
Tabeller må kontrolleres på en annen måte enn løpende tekst. Selv når en tabell ser grei ut ved første øyekast, kan innholdet i cellene være feil.
Vanlige tabellfeil etter OCR er:
- rader som er slått sammen
- én celle som er delt i flere celler
- tall som har flyttet seg til nabokolonner
- manglende kantlinjer som skjuler den opprinnelige strukturen
- gjentatte overskriftsrader midt i datasettet
- datoer, prosenter og beløp som er tolket feil
Bruk denne korte kontrolltabellen når du går gjennom en tabell:
| Kontrollpunkt | Hva du bør sjekke |
|---|---|
| Overskriftsrad | At kolonnetitlene stemmer med PDF-filen og står i riktig rekkefølge |
| Radjustering | At hver verdi tilhører riktig rad og kategori |
| Tallsymboler | At desimaler, komma, minustegn og prosenttegn er bevart |
| Tomme celler | At tomme felt faktisk er tomme, og ikke er falt bort eller slått sammen |
| Summer | At delsummer og totalsummer fortsatt stemmer med kilden |
Hvis tabellen er liten, er det best å sammenligne hver celle. Hvis den er stor, kan du starte med kolonner med høy risiko, særlig identifikatorer, datoer, beløp og summer.
Se etter gjenkjenningsfeil som virker troverdige
De farligste OCR-feilene er ikke de åpenbart rare. De er de små byttene som ser riktige ut ved rask gjennomlesing.
Typiske eksempler er:
Oog0I,log1Sog5Bog8rnlest sommcllest somd
Disse feilene er særlig risikable i navn, referanser, datoer, juridiske formuleringer, måleverdier og tabelltall. En setning kan se naturlig ut, men likevel inneholde ett feil tegn som endrer meningen.
En nyttig metode er å søke systematisk i Word-filen:
- Søk etter doble mellomrom eller uventede linjeskift.
- Søk etter uvanlige tegnkombinasjoner eller enkeltstående symboler.
- Søk etter ord du vet går igjen ofte, og sammenlign flere treff med PDF-filen.
- Søk spesielt rundt tall og forkortelser, der OCR-feil er vanlige.
Hvis dokumentet inneholder mye gjentatt terminologi, kan du ofte rette like feil samlet etter at du har bekreftet mønsteret.
Eksempel på en full kontrollrunde
Tenk deg en skannet økonomirapport på to sider. Hver side har to kolonner, én oppsummeringstabell og flere korte avsnitt. Etter OCR til Word ser teksten redigerbar ut, men kontrollen avdekker tre problemer:
- Første avsnitt på side én blander tekst fra begge kolonnene.
- I tabellen har ett inntektstall havnet i feil kolonne.
- Årstallet
2023forekommer ett sted som2O23, med bokstavenOi stedet for tallet null.
En praktisk rekkefølge for retting kan være:
- Sammenlign side én med PDF-filen og del opp den blandede kolonneteksten.
- Bygg opp tabellen på nytt eller juster den før du redigerer løpende tekst som viser til tabellen.
- Søk gjennom hele dokumentet etter lignende årstallmønstre og kontroller hvert treff.
- Sjekk at korrigerte summer fortsatt stemmer med PDF-filen.
- Ta en siste gjennomgang av overskrifter, bildetekster og siderekkefølge.
Denne rekkefølgen fungerer godt fordi strukturfeil ofte skaper følgefeil senere. Rett først oppsettet, deretter innholdet, og til slutt detaljfeil på tegnnivå.
Bruk en fast kontrollrutine hver gang
En fast metode er mer pålitelig enn tilfeldig kontroll. For de fleste dokumenter holder denne femtrinnsrutinen:
- Skann oppsettet: sammenlign sider, kolonner, overskrifter, lister og tabeller.
- Rett leserekkefølgen: korriger sammenslåtte kolonner, brutte avsnitt og tekstblokker som har havnet feil.
- Kontroller tabeller og tall: gå gjennom overskrifter, justering, summer, datoer og symboler.
- Søk etter sannsynlige OCR-feil: fokuser på navn, tall, referanser og gjentatte uttrykk.
- Les korrektur til slutt: les for mening, ikke bare for stavefeil.
Denne kontrollen kan gå raskt for enkle skjemaer, men ta betydelig lengre tid for rapporter, avtaler og dokumenter med mye tallmateriale. Det viktigste er å tilpasse kontrollnivået til risikoen i dokumentet.
Kjenn begrensningene ved opprydding etter OCR
Noen OCR-problemer kan ikke løses godt med små endringer i Word alene. Hvis skanningen er skjev, svak, beskåret eller visuelt urolig, kan Word-filen få så mange strukturfeil at den ikke bør stoles på uten større manuell bearbeiding.
Det er også lurt å huske at:
- dekorative oppsett ofte forstyrrer leserekkefølgen
- stempler, signaturer og håndskrevne notater kan havne inne i hovedteksten
- skanninger med lav kvalitet kan gi tekst som ser konsekvent ut, men likevel er feil
- kompliserte tabeller ofte må bygges opp manuelt på nytt
Derfor bør resultatet etter skannet PDF til Word behandles som et utkast, ikke som en ferdig tekst klar for videre bruk uten kontroll.
Siste sjekk før dokumentet brukes videre
Før du sender Word-filen videre, kan du stille tre enkle spørsmål:
- Er teksten i riktig rekkefølge?
- Er tabellene pålitelige nok til å redigeres eller siteres?
- Er viktige punkter som navn, datoer og tall kontrollert mot PDF-filen?
Hvis svaret på ett av disse spørsmålene er nei, trenger dokumentet mer kontroll. Noen ekstra minutter her kan forhindre feil i redigering, rapportering og senere versjoner.