Gescande PDF naar Word: zo controleer je kolommen, tabellen en herkenningsfouten

Na gescande PDF naar Word met OCR begint het echte controlewerk. Met een korte controleaanpak bekijk je kolommen, tabellen, koppen, cijfers en veelvoorkomende herkenningsfouten voordat je het document hergebruikt.

Gescande PDF naar Word: zo controleer je kolommen, tabellen en herkenningsfouten

Gescande PDF naar Word met OCR kan veel tijd besparen, maar het resultaat is pas bruikbaar als je het Word-bestand zorgvuldig controleert. De meeste problemen ontstaan pas na de herkenning: twee kolommen vallen samen, tabelcellen verschuiven, koppen verliezen hun hiërarchie en tekens die op elkaar lijken worden verkeerd gelezen. Met een korte controleroutine kun je deze fouten opmerken voordat het document wordt bewerkt, gedeeld of opnieuw gebruikt.

Deze handleiding gaat over de kwaliteitscontrole na OCR, niet over het uitvoeren van OCR zelf. Zoek je een algemene informatiepagina over deze werkwijze, bekijk dan de informatiepágina over OCR PDF naar Word.

Begin met een snelle visuele vergelijking

Voordat je tekst wijzigt, leg je de gescande PDF en de Word-uitvoer naast elkaar. Bij deze eerste controle draait het om één vraag: is de structuur behouden gebleven?

Let eerst op deze punten met de grootste impact:

  1. Staan pagina-einden ongeveer op dezelfde plaats?
  2. Zijn meerkolomspagina's gescheiden gebleven, of samengevoegd tot één tekstblok?
  3. Zijn tabellen nog tabellen, of gewone alinea's geworden?
  4. Zijn koppen nog duidelijk te onderscheiden van de hoofdtekst?
  5. Zijn voetnoten, kopteksten, paginanummers of bijschriften in de lopende tekst terechtgekomen?

Met zo'n snelle vergelijking zie je vaak direct of het document alleen lichte opschoning nodig heeft of grondiger moet worden hersteld.

Controleer kolommen vóór je regel voor regel leest

Kolommen behoren tot de opmaak die OCR het vaakst verkeerd interpreteert. In nieuwsbrieven, brochures, rapporten en wetenschappelijke artikelen kan OCR tekst over de hele paginabreedte lezen, in plaats van eerst de ene kolom en daarna de andere.

Signalen van een kolomprobleem zijn bijvoorbeeld:

  • Zinnen die plotseling naar een ander onderwerp springen
  • Regels die grammaticaal niet kloppen, terwijl de woorden op zichzelf goed lijken
  • Herhaalde tekstfragmenten bovenaan of onderaan een pagina
  • Opsommingstekens of tussenkoppen in een verkeerde leesvolgorde

Een praktische test is om alleen de eerste en laatste regel van elke alinea te lezen. Voelt het verloop onlogisch, vergelijk het dan met de PDF en herstel eerst de bedoelde volgorde voordat je kleinere fouten corrigeert.

Bij compacte opmaak helpt het vaak om in Word eerst de tekstblokken per kolom te markeren en ze daarna handmatig samen te voegen of te scheiden. Als je de leesvolgorde vroeg herstelt, voorkom je veel latere bewerkingsfouten.

Beoordeel tabellen als gegevens, niet alleen als opmaak

Tabellen vragen om een andere controle dan gewone tekst. Ook als een tabel er op het eerste gezicht netjes uitziet, kan de inhoud binnen de cellen onjuist zijn.

Veelvoorkomende tabelproblemen na OCR zijn:

  • Rijen die onbedoeld zijn samengevoegd
  • Eén cel die in meerdere cellen is opgesplitst
  • Getallen die in een aangrenzende kolom terechtkomen
  • Ontbrekende randen waardoor de oorspronkelijke structuur onduidelijk wordt
  • Herhaalde kopregels midden in de gegevens
  • Datums, percentages en geldbedragen die verkeerd zijn herkend

Gebruik deze korte controletabel:

Controlepunt Wat je nagaat
Kopregel Kolomtitels komen overeen met de PDF en staan in de juiste volgorde
Rij-uitlijning Elke waarde hoort bij de juiste rij en categorie
Getalnotatie Decimalen, komma's, mintekens en procenttekens zijn behouden
Lege cellen Lege cellen zijn echt leeg en niet weggevallen of samengevoegd
Totalen Subtotalen en eindtotalen komen nog overeen met de bron

Is de tabel klein, vergelijk dan elke cel. Is de tabel groot, controleer dan eerst de kolommen met het grootste risico, zoals identificatienummers, datums, bedragen en totalen.

Let op herkenningsfouten die geloofwaardig lijken

De gevaarlijkste OCR-fouten zijn niet de overduidelijke onzinwoorden. Het zijn juist geloofwaardige vervangingen die bij snel doorlezen niet opvallen.

Typische voorbeelden zijn:

  • O en 0
  • I, l en 1
  • S en 5
  • B en 8
  • rn gelezen als m
  • cl gelezen als d

Deze fouten zijn vooral riskant in namen, rekeningnummers, referenties, juridische bepalingen, meetwaarden en tabelgegevens. Een zin kan volkomen natuurlijk ogen, terwijl één verkeerd teken de betekenis verandert.

Een bruikbare manier van controleren is zoeken in het Word-bestand naar verdachte patronen:

  1. Zoek op dubbele spaties of onverwachte regeleinden.
  2. Zoek op ongebruikelijke tekencombinaties of losse symbolen.
  3. Zoek op woorden die vaak in het document voorkomen en vergelijk meerdere treffers met de PDF.
  4. Controleer extra zorgvuldig rond cijfers en afkortingen, waar OCR-fouten vaak voorkomen.

Bevat het document herhaalde terminologie, dan kun je terugkerende fouten vaak in groepen herstellen zodra je het patroon hebt bevestigd.

Voorbeeld van een volledige controle

Stel: je hebt een gescand financieel rapport van twee pagina's. Elke pagina bevat twee kolommen, één samenvattingstabel en enkele korte alinea's. Na OCR naar Word lijkt de tekst bewerkbaar, maar bij controle blijken er drie problemen te zijn:

  1. De eerste alinea op pagina één bevat tekst uit beide kolommen door elkaar.
  2. In de tabel is één omzetcijfer in de verkeerde kolom terechtgekomen.
  3. Het jaartal 2023 staat op één plaats als 2O23, met de letter O in plaats van nul.

Een praktische volgorde voor correctie is dan:

  1. Vergelijk pagina één met de PDF en scheid de gemengde kolomtekst.
  2. Herstel of bouw de tabel opnieuw op voordat je doorlopende tekst aanpast die naar de tabel verwijst.
  3. Zoek in het hele document naar vergelijkbare jaartalpatronen en controleer alle treffers.
  4. Controleer of de gecorrigeerde totalen nog overeenkomen met de PDF.
  5. Lees tot slot koppen, bijschriften en paginavolgorde nog eens na.

Deze volgorde werkt goed omdat structuurfouten vaak vervolgproblemen veroorzaken. Eerst de opbouw, daarna de inhoudelijke tekst, en pas daarna de kleine tekenfouten.

Gebruik een vaste controleroutine voor elk OCR-resultaat

Een herhaalbare werkwijze is betrouwbaarder dan telkens improviseren. Voor de meeste documenten is deze controle in vijf stappen voldoende:

  1. Bekijk de opmaak: vergelijk pagina's, kolommen, koppen, lijsten en tabellen.
  2. Herstel de leesvolgorde: corrigeer samengevoegde kolommen, gebroken alinea's en verkeerd geplaatste tekstblokken.
  3. Controleer tabellen en cijfers: let op kopregels, uitlijning, totalen, datums en symbolen.
  4. Zoek naar waarschijnlijke OCR-fouten: let vooral op namen, getallen, referenties en terugkerende termen.
  5. Doe een laatste proeflezing: lees op betekenis, niet alleen op spelling.

Bij eenvoudige formulieren kan deze controle snel gaan, terwijl rapporten, contracten en documenten met veel gegevens veel meer tijd vragen. Belangrijk is dat de controle past bij het risico van het document. Een informeel artikel en een dossier met formele gevolgen vragen niet om dezelfde nauwkeurigheid.

Ken de grenzen van correctie na OCR

Sommige OCR-problemen kun je niet netjes oplossen met kleine bewerkingen in Word alleen. Als een scan scheef, vaag, afgesneden of visueel rommelig is, kan de Word-uitvoer te veel structuurfouten bevatten om op te vertrouwen. In zulke gevallen moet je delen van het document soms handmatig opnieuw opbouwen.

Houd ook rekening met het volgende:

  • Decoratieve opmaak verstoort vaak de leesvolgorde.
  • Stempels, handtekeningen en handgeschreven notities kunnen onverwacht in de hoofdtekst belanden.
  • Scans van lage kwaliteit kunnen consequent verkeerde tekst opleveren.
  • Complexe tabellen vereisen soms handmatige reconstructie.

Daarom is kwaliteitscontrole geen optionele stap. Gescande PDF naar Word met OCR kun je het best behandelen als een conceptversie van de tekstextractie, niet als automatisch publicatieklare inhoud.

Laatste controle vóór hergebruik of delen

Voordat je het Word-bestand doorstuurt, stel je jezelf drie laatste vragen:

  1. Staat de tekst in de juiste volgorde?
  2. Zijn de tabellen betrouwbaar genoeg om te bewerken of te citeren?
  3. Zijn namen, datums en cijfers met verhoogd risico gecontroleerd aan de hand van de PDF?

Als het antwoord op één van deze vragen nee is, heeft het document nog extra controle nodig. Een paar minuten extra kunnen later fouten in bewerking, rapportage of versiebeheer voorkomen.

Veelgestelde vragen

Waarom haalt OCR pagina's met twee kolommen vaak door elkaar?

OCR kan tekst over de volle paginabreedte lezen in plaats van de bedoelde leesvolgorde per kolom te volgen. Daardoor kunnen regels uit de linker- en rechterkolom samen in één alinea terechtkomen.

Wat controleer ik als eerste na gescande PDF naar Word met OCR?

Controleer eerst de algemene structuur: paginavolgorde, kolommen, koppen, lijsten en tabellen. Als de opbouw niet klopt, wordt nauwkeurig nalezen trager en minder betrouwbaar.

Hoe controleer ik of een tabel goed uit OCR is gekomen?

Vergelijk de kopregel, de uitlijning van rijen, de getalnotatie, lege cellen en totalen met de PDF. Ook als de tabel er goed uitziet, kunnen waarden in verkeerde cellen zijn beland.

Wat zijn de meest voorkomende OCR-fouten in tekens?

Veelvoorkomende verwisselingen zijn O en 0, I en 1, S en 5, en rn dat als m wordt gelezen. Zulke fouten zijn vooral riskant in namen, datums, referenties en numerieke gegevens.

Kan ik OCR-uitvoer vertrouwen zonder handmatige controle?

Niet volledig. OCR-uitvoer is het best te behandelen als een concept, vooral bij documenten met kolommen, tabellen, juridische tekst of belangrijke cijfers. Handmatige controle blijft nodig.