Skannad PDF till Word: så granskar du kolumner, tabeller och OCR-fel

Efter skannad PDF till Word med OCR börjar det viktiga granskningsarbetet. Använd en enkel kontrollrutin för att gå igenom kolumner, tabeller, rubriker, siffror och vanliga feltolkningar innan dokumentet redigeras eller delas vidare.

Skannad PDF till Word: så granskar du kolumner, tabeller och OCR-fel

Skannad PDF till Word med OCR kan spara tid, men resultatet blir bara användbart om Word-filen granskas noggrant efteråt. De vanligaste problemen uppstår ofta efter textigenkänningen, inte före: tvåspaltslayout flyter ihop, tabellceller hamnar fel, rubriknivåer försvinner och tecken som liknar varandra feltolkas. Med en kort men tydlig kontrollrutin går det att upptäcka sådana fel innan dokumentet redigeras, delas eller återanvänds.

Den här guiden handlar om kvalitetskontroll efter OCR, inte om hur man kör OCR från början. Om du vill läsa en allmän informationssida om detta arbetsflöde kan du se informationssidan om OCR PDF till Word.

Börja med en snabb visuell jämförelse

Innan du ändrar någon text bör du lägga den skannade PDF-filen och Word-resultatet sida vid sida. Den första genomgången ska besvara en enkel fråga: överlevde dokumentets struktur?

Titta först på sådant som påverkar helheten mest:

  1. Ligger sidbrytningarna ungefär på samma ställen?
  2. Är sidor med flera kolumner fortfarande uppdelade, eller har de slagits ihop till ett textblock?
  3. Är tabeller fortfarande tabeller, eller har de blivit vanliga stycken?
  4. Syns rubriker fortfarande tydligt som rubriker?
  5. Har fotnoter, sidhuvuden, sidnummer eller bildtexter flyttats in i brödtexten?

En snabb jämförelse visar ofta om dokumentet bara behöver lätt städning eller om större delar måste byggas om manuellt.

Kontrollera kolumner innan du läser rad för rad

Kolumner är en av de layouter som OCR oftast misstolkar. I nyhetsbrev, rapporter, broschyrer och akademiska texter kan OCR läsa tvärs över sidan från vänster kolumn till höger i stället för att avsluta den första kolumnen innan nästa börjar.

Tecken på kolumnfel kan vara:

  • meningar som plötsligt byter ämne
  • rader som ser grammatiskt konstiga ut trots att orden verkar rätt
  • upprepade textfragment högst upp eller längst ned på sidan
  • punktlistor eller underrubriker som hamnat i fel läsordning

Ett praktiskt sätt att testa detta är att läsa första och sista raden i varje stycke. Om flödet känns fel bör du jämföra med PDF-filen och återställa rätt ordning innan du gör mindre textändringar.

I täta layouter kan det hjälpa att först markera varje kolumnavsnitt i Word och sedan dela upp eller sammanfoga textblock manuellt. Om läsordningen rättas tidigt undviker du många följdfel senare.

Granska tabeller som data, inte bara som utseende

Tabeller kräver en annan typ av kontroll. Även när en tabell ser rimlig ut vid första anblicken kan innehållet vara fel inne i cellerna.

Vanliga tabellfel efter OCR är:

  • rader som slagits ihop
  • en cell som delats upp i flera celler
  • siffror som förskjutits till intilliggande kolumner
  • saknade ramar som döljer tabellens tänkta struktur
  • upprepade rubrikrader mitt i datan
  • datum, procentsatser och belopp som tolkats fel

Använd den här korta kontrollistan när du granskar en tabell:

Kontrollpunkt Vad du ska verifiera
Rubrikrad Kolumnrubrikerna stämmer med PDF-filen och ligger i rätt ordning
Radplacering Varje värde hör till rätt rad och kategori
Talformat Decimaler, kommatecken, minustecken och procenttecken är bevarade
Tomma celler Tomma celler är verkligen tomma och har inte fallit bort eller slagits ihop
Summor Delsummor och slutsummor stämmer fortfarande med källan

Om tabellen är liten kan du jämföra varje cell. Om den är stor bör du börja med de mest riskfyllda kolumnerna, särskilt id-nummer, datum, belopp och totalsummor.

Var uppmärksam på OCR-fel som ser trovärdiga ut

De farligaste OCR-felen är inte de uppenbart orimliga, utan de som ser rimliga ut vid en snabb genomläsning.

Typiska exempel är:

  • O och 0
  • I, l och 1
  • S och 5
  • B och 8
  • rn som lästs som m
  • cl som lästs som d

Detta är särskilt viktigt i namn, kontonummer, referenser, juridiska formuleringar, mått och tabellvärden. En mening kan se helt normal ut men ändå innehålla ett enda felaktigt tecken som ändrar innebörden.

En användbar metod är att söka systematiskt i Word-filen:

  1. Sök efter dubbla mellanslag eller oväntade radbrytningar.
  2. Sök efter ovanliga teckenkombinationer eller isolerade symboler.
  3. Sök efter ord som du vet återkommer ofta i dokumentet och jämför flera träffar med PDF-filen.
  4. Kontrollera särskilt text nära siffror och förkortningar, där OCR-fel är vanliga.

Om dokumentet innehåller återkommande terminologi går det ofta att rätta konsekventa feltolkningar i omgångar, men först efter att du har bekräftat mönstret mot originalet.

Exempel på en fullständig kontrollrunda

Föreställ dig en skannad ekonomirapport på två sidor. Varje sida har två kolumner, en sammanfattande tabell och flera korta stycken. Efter OCR till Word ser texten redigerbar ut, men granskningen visar tre problem:

  1. Det första stycket på sidan ett innehåller text från båda kolumnerna i samma block.
  2. I tabellen har ett intäktsvärde hamnat i fel kolumn.
  3. Årtalet 2023 förekommer en gång som 2O23, där bokstaven O har använts i stället för siffran noll.

En praktisk rättningsordning kan då vara:

  1. Jämför första sidan med PDF-filen och dela upp den sammanblandade kolumntexten.
  2. Bygg om eller justera tabellen innan du redigerar löptext som hänvisar till den.
  3. Sök i hela dokumentet efter liknande årtalsmönster och kontrollera varje träff.
  4. Bekräfta att korrigerade summor fortfarande stämmer med PDF-filen.
  5. Gör en slutlig genomläsning av rubriker, bildtexter och sidordning.

Den ordningen fungerar bra eftersom strukturfel ofta skapar följdfel i texten. Börja därför med layouten, fortsätt med innehållets ordning och avsluta med detaljer på teckennivå.

Använd en kort och återkommande kontrollrutin

En återanvändbar arbetsgång är säkrare än att kontrollera på måfå. För de flesta dokument räcker denna rutin i fem steg:

  1. Skanna av strukturen: jämför sidor, kolumner, rubriker, listor och tabeller.
  2. Rätta läsordningen: korrigera ihopslagna kolumner, trasiga stycken och felplacerade textblock.
  3. Verifiera tabeller och siffror: kontrollera rubriker, radplacering, summor, datum och symboler.
  4. Sök efter sannolika OCR-fel: fokusera på namn, siffror, referenser och återkommande termer.
  5. Gör en slutlig korrekturläsning: läs efter mening och sammanhang, inte bara stavning.

Den här kontrollen kan gå snabbt för enkla formulär men ta betydligt längre tid för rapporter, avtal och dokument med mycket data. Det viktiga är att anpassa granskningsnivån efter risk. En enkel informationssida och ett dokument med formella uppgifter bör inte kontrolleras på samma sätt.

Känn till begränsningarna med eftergranskning

Vissa OCR-problem går inte att lösa snyggt med små ändringar i Word. Om skanningen är sned, blek, beskuren eller visuellt rörig kan resultatet innehålla för många strukturfel för att vara tillförlitligt. I sådana fall kan delar av dokumentet behöva återskapas manuellt.

Det är också bra att tänka på att:

  • dekorativa layouter ofta stör läsordningen
  • stämplar, signaturer och handskrivna anteckningar kan hamna mitt i brödtexten
  • låg bildkvalitet kan ge konsekvent men felaktig text
  • komplexa tabeller ibland måste byggas upp på nytt

Därför bör resultatet av skannad PDF till Word med OCR ses som ett arbetsutkast, inte som färdig text för publicering eller vidare användning utan kontroll.

Sista kontrollen innan dokumentet återanvänds eller delas

Innan du skickar Word-filen vidare, ställ tre avslutande frågor:

  1. Är texten i rätt ordning?
  2. Är tabellerna tillräckligt tillförlitliga för att redigeras eller citeras?
  3. Har riskpunkter som namn, datum och siffror kontrollerats mot PDF-filen?

Om svaret på någon av frågorna är nej behöver dokumentet granskas vidare. Några extra minuter här kan minska risken för felaktiga ändringar, felrapportering och senare versionsproblem.

Vanliga frågor

Varför blandar OCR ofta ihop tvåspaltiga sidor?

OCR kan läsa text över hela sidbredden i stället för att följa den avsedda läsordningen inom varje kolumn. Då kan rader från vänster och höger kolumn slås ihop till samma stycke.

Vad bör jag kontrollera först efter skannad PDF till Word med OCR?

Börja med den övergripande strukturen: sidordning, kolumner, rubriker, listor och tabeller. Om layouten är fel blir detaljgranskningen både långsammare och mindre tillförlitlig.

Hur kan jag verifiera att en tabell klarade OCR korrekt?

Jämför rubrikrad, radplacering, talformat, tomma celler och summor med PDF-filen. Även om tabellen ser acceptabel ut kan värden ha flyttats till fel celler.

Vilka är de vanligaste OCR-felen på teckennivå?

Vanliga fel är att OCR förväxlar O med 0, I med 1, S med 5 och rn med m. De är särskilt riskabla i namn, datum, referenser och numeriska uppgifter.

Kan jag lita på OCR-resultat utan manuell granskning?

Inte fullt ut. OCR-resultat bör behandlas som ett utkast, särskilt i dokument med kolumner, tabeller, juridisk text eller viktiga siffror. Manuell kontroll behövs fortfarande.