Kas yra PDF pritaikymas paieškai?
PDF pritaikymas paieškai — nuskenuoto ar vaizdinio PDF apdorojimas, kad jo tekstą būtų galima rasti, pažymėti ir kopijuoti. Tam naudojamas optinis ženklų atpažinimas (OCR), analizuojantis raidžių ir skaičių vaizdą bei paverčiantis jį kompiuterio skaitomu tekstu.
Be teksto atpažinimo skaitytuvo, fakso ar kameros sukurtas PDF gali būti tik vaizdas: žmogus mato žodžius, bet kompiuteris jų dar neindeksuoja kaip teksto.
Kodėl paieškai pritaikyti PDF svarbūs?
Organizacijose daug svarbios informacijos lieka neieškomuose vaizduose, pavyzdžiui:
- Į PDF nuskenuotuose popieriniuose archyvuose.
- Pasirašytose sutartyse, išsiųstose kaip vaizdiniai PDF.
- Faksu ar skenu gautose sąskaitose, kvituose ir formose.
Be OCR reikiamos sutarties sąlygos ar kliento vardo paieška tūkstančiuose failų gali užtrukti. Atpažinus tekstą, galima ieškoti žodžių, frazių ir skaičių pagal atpažinimo rezultatą.
Kaip sukuriamas PDF su ieškomu tekstu?
- Skenavimas arba importavimas
Nuskenuotas arba vaizdinis PDF įkeliamas į atitinkamą įrankį. - Optinis ženklų atpažinimas (OCR)
Variklis atpažįsta palaikomus ženklus, žodžius ir išdėstymą pagal formato bei kalbos galimybes. - Teksto sluoksnio kūrimas
Tokį išvesties formatą palaikantis įrankis prie PDF vaizdo prideda nematomą atpažintą tekstą. Vaizdas išlieka panašus, bet failas turi paslėptą teksto sluoksnį. - Indeksavimas
Atpažintą tekstą galima indeksuoti paieškai dokumentų sistemoje ar kompiuteryje. Sistemos OCR indeksas ir atsisiunčiamas PDF su teksto sluoksniu yra skirtingi rezultatai.
Pagrindiniai privalumai
- Paieška pagal tekstą – Lengviau rasti atpažintus žodžius, frazes ar skaičius.
- Prieinamumas – Tekstą gali apdoroti pagalbinės technologijos, tačiau pilnam prieinamumui dažnai reikia ir struktūros, žymėjimo bei skaitymo tvarkos.
- Geresnis organizavimas – Turinį galima indeksuoti ir papildyti žymomis; automatinis klasifikavimas reikalauja atskiro palaikymo bei taisyklių.
- Atitikties procesai – Greitesnis informacijos radimas padeda atsakyti į taikomas BDAR ar HIPAA užklausas, laikantis teisių ir išimčių.
- Efektyvumas – Mažiau rankinio dokumentų vartymo.
Naudojimo atvejai
- Teisė – Bylų ir sutarčių sąlygų ar vardų paieška.
- Sveikatos priežiūra – Įgaliota informacijos paieška nuskenuotuose medicinos dokumentuose.
- Finansai – Sąskaitų numerių, sumų ar klientų paieška palaikomame tekste.
- Valdžios įstaigos ir švietimas – Archyvų paieška darbuotojams ir, kai leidžiama, visuomenei.
- Mažos įmonės – Kasdienė skenuotų kvitų, formų ir personalo failų paieška.
PDF su teksto sluoksniu ir vien vaizdinis PDF
| Vaizdinis PDF | PDF su atpažintu tekstu |
|---|---|
| Pateikiamas kaip vaizdas | Turi vaizdą ir papildomą teksto sluoksnį |
| Be OCR nėra turinio paieškos | Galima ieškoti atpažintame tekste |
| Tekstas tiesiogiai nekopijuojamas | Atpažintą tekstą galima pažymėti ir kopijuoti pagal failo teises |
| Pirmiausia reikia atpažinti tekstą | Tekstą galima indeksuoti paieškos įrankiu ar DVS |
OCR apribojimai
Technologija pažengusi, tačiau išlieka iššūkių:
- Prasta skeno kokybė gali lemti atpažinimo klaidas.
- Rankraštinis tekstas palaikomas ne visuose įrankiuose ir ne visada atpažįstamas tiksliai.
- Sudėtingas išdėstymas su stulpeliais, lentelėmis ar grafika gali apsunkinti atpažinimą.
Geras OCR ir kokybiškas skenas padeda, tačiau rezultatą reikia tikrinti. „Folderit“ OCR turinio indeksavimas savaime negarantuoja atsisiunčiamo PDF su nauju teksto sluoksniu, visų formatų ar rankraščių palaikymo.
Apibendrinimas
PDF pritaikymas paieškai sujungia vaizdinius dokumentus su naudinga teksto paieška. OCR padeda panaudoti informaciją, tačiau prieinamumas, teisinis tvarkymas ir išvesties failo savybės priklauso nuo papildomų nustatymų bei priemonių.
Praktiškai tai gali sumažinti rankinį skenuotų puslapių vartymą. Rinkdamiesi įrankį, atskirai patikrinkite indeksuotą paiešką, tikslumą ir tai, ar jums reikia naujo PDF su teksto sluoksniu.