Cara mengubah PDF hasil pindai menjadi Markdown dengan OCR

Untuk mengubah PDF hasil pindai menjadi Markdown, tambahkan PDF tersebut ke MD Factory. Aplikasi menemukan halaman yang hanya berupa gambar teks, mengenali teksnya di PC Anda dengan OCR bawaan, lalu menyimpan file Markdown di samping PDF.

OCR bekerja baik pada halaman cetak yang bersih, tetapi bisa salah pada halaman yang pudar, miring, atau ditulis tangan, jadi rencanakan untuk memeriksa hasilnya dengan hasil pindaian. Langkah-langkah di bawah membahas yang berbeda dari PDF biasa: bahasa OCR, status Perlu diperiksa, tabel, tulisan tangan, dan pengaturan pemindai.

Setumpuk halaman kertas hasil pindai dan beberapa lembar yang dijepit di atas meja batu gelap. — Halaman hasil pindai menyimpan teks sebagai gambar sampai OCR membacanya.

Konversikan PDF hasil pindai

Buka MD Factory.
Klik Tambahkan file dan pilih PDF-nya, atau seret ke jendela aplikasi. Untuk mengonversi satu folder penuh hasil pindai, termasuk subfoldernya, klik Tambahkan folder.
Konversi langsung dimulai. Untuk PDF pertama, baris file menampilkan Memuat mesin PDF sebelum halaman diproses.
Tunggu sampai baris file menampilkan hasilnya: Selesai, Perlu diperiksa, atau Gagal.
Klik dua kali jalur hasil di baris file untuk membuka file Markdown.

File Markdown memakai nama PDF dan disimpan di folder yang sama. Jika halamannya berisi gambar, seperti foto atau diagram, gambar disimpan di folder di sampingnya. PDF-nya sendiri tidak diubah.

Scans/
  lease-agreement.pdf
  lease-agreement.md
  lease-agreement_images/

PDF dikonversi satu per satu, sementara jenis dokumen lain di antrean berjalan bersamaan. Aplikasi hanya membaca file di drive lokal. Jika pemindai Anda menyimpan ke folder jaringan, salin PDF ke PC Anda terlebih dahulu.

Cara aplikasi menentukan halaman perlu OCR

Halaman memerlukan OCR jika teksnya hanya ada sebagai gambar. MD Factory memeriksa setiap PDF untuk mencari teks yang bisa dipilih, lalu memilih salah satu dari dua cara:

Jika tidak ada halaman yang teksnya bisa dipilih, seluruh file diperlakukan sebagai hasil pindai, dan setiap halaman dikenali dengan OCR secara utuh.
Jika sebagian halaman punya teks, aplikasi mempertahankan teks itu apa adanya dan menjalankan OCR hanya pada bagian yang teksnya berupa gambar, seperti halaman hasil pindai di dalam laporan ketikan.

PDF campuran tidak perlu disiapkan lebih dulu. Dalam pengujian kami, file tiga halaman dengan halaman pertama dan terakhir berupa ketikan serta halaman tengah hasil pindai menghasilkan satu file Markdown berisi teks ketiga halaman.

MD Factory hanya menerima hasil pindai dalam bentuk file PDF. File gambar seperti JPG, PNG, atau TIFF dicantumkan sebagai dilewati, jadi atur aplikasi pemindai Anda untuk menyimpan PDF.

Jika PDF Anda sudah memiliki teks yang bisa dipilih di seluruh halaman, OCR tidak berperan. File seperti itu dibahas dalam panduan mengonversi PDF ke Markdown .

Pilih bahasa OCR

Setiap PDF dimulai dengan bahasa OCR yang diatur ke Otomatis (deteksi skrip). Dalam mode ini, aplikasi menentukan aksara yang dipakai setiap halaman, seperti Latin, Sirilik, Yunani, atau Arab, lalu membaca halaman dengan model untuk aksara tersebut. Dalam pengujian kami pada halaman uji yang bersih dengan resolusi 300 dpi dan teks 12 poin, Otomatis membaca halaman berbahasa Inggris tanpa kesalahan dan halaman berbahasa Rusia dengan kurang dari satu karakter salah per seratus.

Anda memilih bahasa saat PDF selesai dengan status Perlu diperiksa atau Gagal:

Setelah antrean selesai, klik status di baris file. Sebuah jendela terbuka dengan daftar masalah yang ditemukan.
Buka daftar Bahasa OCR dan pilih bahasa dokumen.
Klik Coba lagi.

Tidak ada pengaturan untuk memilih bahasa sebelumnya. Setiap PDF baru dimulai dengan Otomatis, dan bahasa yang terakhir Anda pilih sudah terpilih saat Anda mencoba lagi berikutnya.

Dua bahasa dalam satu halaman bisa diproses dengan Otomatis jika memakai aksara yang sama, seperti bahasa Inggris dan Jerman.

Jika aksaranya berbeda, Otomatis membaca seluruh halaman sebagai salah satunya. Untuk sebagian besar aksara, modelnya juga mencakup bahasa Inggris, sehingga istilah bahasa Inggris di halaman berbahasa Yunani atau Arab biasanya terbaca. Sirilik adalah pengecualian: dalam pengujian kami, halaman dengan teks Inggris dan Rusia mendapat status Perlu diperiksa. Coba lagi dengan bahasa utama halaman tersebut, lalu periksa kata-kata dalam aksara lain dengan hasil pindaian.

Arti Perlu diperiksa untuk hasil pindai

Perlu diperiksa berarti aplikasi sudah menyimpan file Markdown tetapi menemukan masalah yang layak diperiksa. Untuk hasil pindai, jendela yang terbuka dari status biasanya menampilkan salah satu pesan berikut, dengan nomor halaman dalam tanda kurung:

Pesan	Apa yang terjadi	Yang perlu dilakukan
OCR tidak dapat membaca sebagian dari dokumen ini. Pilih bahasa dan coba lagi.	Kata-kata yang dikenali di halaman itu memiliki tingkat keyakinan rata-rata di bawah 75%, atau sebagian halaman tidak bisa dibaca.	Pilih bahasa dokumen lalu coba lagi. Jika bahasanya sudah benar, periksa halaman dengan hasil pindaian atau pindai ulang.
Sebuah halaman tidak memiliki teks yang diekstraksi. Periksa dengan sumbernya.	Tidak ada yang dikenali di halaman itu. Halaman kosong juga mendapat pesan ini.	Lihat halaman tersebut di PDF. Jika ada teksnya, pindai ulang dengan lebih jelas.

Jika tidak ada halaman yang menghasilkan teks, file ditandai Gagal, dan jendela menyarankan untuk mencoba lagi dengan bahasa OCR yang dipilih secara eksplisit.

Selesai tidak berarti setiap karakter sudah benar. Pemeriksaan ini melihat rata-rata satu halaman penuh, sehingga satu karakter yang salah baca di halaman yang selebihnya bersih tidak memicunya. Pada halaman uji berbahasa Rusia yang bersih tadi, angka 1248 terbaca sebagai 124%.

Sebelum mengandalkan teksnya, cocokkan setiap angka yang akan Anda pakai dengan hasil pindaian: nama, tanggal, jumlah uang, serta nomor rekening atau identitas.

Halaman miring, berbintik, dan pudar

Sedikit kemiringan dan beberapa bintik tidak masalah. Dalam pengujian kami, halaman uji yang miring sekitar satu derajat, sedikit buram, dan penuh bintik halus berhasil dikonversi dengan status Selesai.

Hasil pindai yang buruk akan ditandai. Halaman buram dengan kontras rendah yang dipindai dengan resolusi rendah dan miring 3,5 derajat mendapat status Perlu diperiksa.

Putar halaman yang terbaring miring atau terbalik di aplikasi pemindai atau editor PDF Anda sebelum mengonversi. Jika halaman mendapat status Perlu diperiksa karena kualitasnya, bukan bahasanya, pindai ulang dengan pengaturan di bawah.

Tabel di halaman hasil pindai

MD Factory juga mencari tabel di halaman hasil pindai dan menuliskannya sebagai tabel Markdown. Setiap sel tetap berupa teks hasil OCR, dan tabel mudah menyembunyikan kesalahan: angka yang salah di kolom angka tampak sama masuk akalnya dengan yang benar.

Cocokkan tabel dengan hasil pindaian baris demi baris. Jumlahkan satu kolom dan periksa hasilnya dengan total yang tercetak. Jika nilai berpindah ke baris atau kolom yang salah, perbaiki di Markdown. Panduan PDF memuat contoh memulihkan tabel yang kehilangan baris-barisnya.

Tulisan tangan

MD Factory mengenali teks cetak dan ketikan. Aplikasi ini tidak dibuat untuk tulisan tangan: catatan tulisan tangan, komentar di pinggir halaman, dan isian formulir bisa terbaca kacau atau hilang.

Jangan mengandalkan teks hasil konversi untuk apa pun yang ditulis tangan. Simpan hasil pindaian sebagai acuan dan ketik sendiri bagian-bagian itu.

Memindai agar OCR lebih akurat

Kualitas pengenalan bergantung pada gambarnya. Panduan Tesseract untuk meningkatkan kualitas OCR mencantumkan hal-hal yang membuat gambar sulit dibaca, dan untuk pemindaian semuanya bermuara pada lima hal:

Pindai dengan 300 dpi atau lebih. Panduan itu menyebutkan bahwa pengenalan bekerja paling baik pada resolusi minimal 300 dpi.
Letakkan halaman lurus di atas kaca. Halaman yang miring membuat baris teks jauh lebih sulit dikenali.
Jaga pencahayaan tetap merata, terutama saat memotret halaman dengan ponsel. Bayangan dan latar yang gelap tidak merata membuat teks lebih sulit dibedakan dari kertas.
Tutup penutup pemindai atau pangkas tepinya. Garis tepi gelap di sekitar halaman hasil pindai bisa terbaca sebagai karakter tambahan.
Gunakan salinan yang paling bersih. Bintik dan gangguan lain menurunkan akurasi.

Simpan setiap dokumen sebagai PDF tersendiri. MD Factory membuat satu file Markdown per PDF, jadi setumpuk kertas yang tidak berhubungan dan dipindai menjadi satu file akan menjadi satu catatan panjang.

KTP, kontrak, dan rekam medis

Hasil pindai sering bersifat pribadi: paspor, kontrak, rekening koran, rekam medis. MD Factory mengenalinya di PC Anda dan tidak mengunggah PDF maupun teks yang dikenali.

File Markdown disimpan di samping hasil pindai. Teks yang tadinya terkunci dalam gambar kini menjadi teks biasa yang bisa dibaca dan dicari oleh siapa pun yang memiliki akses ke folder itu. Jika folder tersebut tersinkron ke OneDrive atau layanan cloud lain, file Markdown ikut tersinkron. Panduan kami tentang mengonversi dokumen tanpa mengunggahnya menunjukkan cara memeriksa tempat folder disimpan.

Untuk dokumen hukum, medis, dan keuangan, hasil pindai tetap menjadi aslinya. Perlakukan Markdown sebagai salinan kerja, dan periksa setiap angka dengan hasil pindai sebelum bertindak. Hapus file Markdown dan folder gambarnya jika sudah tidak dibutuhkan.