هر PDF نیازی به تشخیص ندارد. یک سند دیجیتال، یا اسکنه‌ای که قبلاً تشخیص داده شده است، ممکن است حاوی لایه متنی باشد که مستقیماً قابل استخراج است. PDF به متن، آن محتوای ذخیره‌شده را به شما می‌دهد. نکته کلیدی این است که استخراج را از OCR متمایز کنید و قبل از استفاده مجدد از کلمات، ترتیب خواندن را بررسی کنید.
این نمونه از یک بسته کارگاه عمومی با لایه متنی موجود استفاده می‌کند. کلمات استخراج‌شده را با منبع قابل مشاهده مقایسه کنید، به جای اینکه آن را به عنوان تشخیص تصویر در نظر بگیرید.
بررسی اینکه آیا PDF از قبل حاوی متن است
گزینه «PDF به متن» را باز کرده و سند را انتخاب کنید. یک گزارش دیجیتال یا اسکن که قبلاً با OCR پردازش شده، ممکن است از قبل حاوی کلمات مورد نیاز شما باشد.
اگر فایل یک اسکن فقط تصویری است، استخراج نمی‌تواند از پیکسل‌های آن متن ایجاد کند. به جای صادرات مکرر یک لایه متنی خالی، از PDF OCR استفاده کنید.
انتخاب صفحات و نحوه چیدمان خروجی
هنگامی که تنها بخشی از سند مرتبط است، محدوده صفحات را وارد کنید. برای مطالعه پیوسته یک فایل TXT، یا برای ارجاع بر اساس صفحه، فایل‌های جداگانه را انتخاب کنید.
شماره صفحات در یک محدوده به موقعیت‌های PDF بارگذاری‌شده اشاره دارد. شماره صفحه چاپی ممکن است متفاوت باشد اگر فایل شامل جلد یا مقدمه شماره‌گذاری‌نشده باشد.
هنگامی که PDF دارای لایه متنی قابل استفاده است، قبل از OCR استخراج متن را امتحان کنید.
استخراج و بررسی کلمات
برای استخراج متن ذخیره‌شده، روی شروع کلیک کنید. نتیجه را با منبع قابل مشاهده مقایسه کنید، به‌ویژه در مواردی که صفحه شامل ستون‌ها، جداول یا پاورقی‌ها است.
خط‌تیره‌های پایان خط، نویسه‌های غیرمعمول و شناسه‌های مهم را بررسی کنید. خطای OCR قبلی می‌تواند به همان آسانیِ متن دیجیتال صحیح، در صادرات کپی شود.
هنگام نقل‌قول یا بررسی متون استخراج‌شده، ارجاعات صفحه را حفظ کنید.
متن را دانلود کنید و زمینه منبع آن را حفظ کنید
TXT یا نتیجه ZIP را دانلود کنید. برای فایل‌های جداگانه، از نام‌گذاری مبتنی بر صفحه و متن ترکیبی موجود استفاده کنید تا پیگیری کنید که متون از کجا آمده‌اند.
متن ساده برای استفاده مجدد است، نه بازتولید بصری PDF. PDF منبع را برای بررسی طرح‌بندی یا ارجاعات نگه دارید و از OCR فقط برای صفحاتی استفاده کنید که محتوای تصویری آن‌ها هنوز نیاز به تشخیص دارد.
پرسش‌های متداول
آیا «PDF به متن» عملیات OCR را اجرا می‌کند؟
خیر. این ابزار متنی که قبلاً در PDF ذخیره شده است را استخراج می‌کند. صفحات فقط-تصویر نیاز به PDF OCR دارند.
چرا ترتیب متن با صفحه متفاوت است؟
متن PDF می‌تواند به صورت قطعات موقعیت‌دار ذخیره شود. ستون‌ها، جداول، پانویس‌ها و نگاشت‌های فونت غیرمعمول می‌توانند ترتیبی ایجاد کنند که در متن ساده نیاز به بازبینی داشته باشد.
داخل فایل ZIP جداگانه چیست؟
این فایل شامل یک فایل متنی برای هر صفحه انتخاب‌شده و یک فایل متنی ترکیبی است. فایل‌ها از متن UTF-8 استفاده می‌کنند.
آیا استخراج می‌تواند خطاهای یک لایه OCR قدیمی را اصلاح کند؟
خیر. خطاهای متنی موجود می‌توانند به خروجی منتقل شوند. عبارات مهم را با منبع قابل مشاهده مقایسه کرده و قبل از استفاده مجدد، آن‌ها را اصلاح کنید.
سند بعدی خود را با PDF به متن آماده کنید.
هنگامی که PDF دارای لایه متنی قابل استفاده است، قبل از OCR استخراج متن را امتحان کنید.
