Aby przekonwertować zeskanowany PDF na Markdown, dodaj go do MD Factory. Aplikacja znajduje strony, które są tylko obrazem tekstu, rozpoznaje tekst na Twoim komputerze za pomocą wbudowanego OCR i zapisuje plik Markdown obok pliku PDF.
OCR dobrze radzi sobie z czystymi wydrukowanymi stronami, a myli się na wyblakłych, krzywych lub pisanych ręcznie, dlatego sprawdź wynik ze skanem. Poniższe kroki opisują to, czym skan różni się od zwykłego pliku PDF: język OCR, status Wymaga sprawdzenia, tabele, pismo odręczne i ustawienia skanera.
Konwersja zeskanowanego PDF
- Otwórz MD Factory.
- Kliknij Dodaj pliki i wybierz plik PDF albo przeciągnij go do okna. Aby przekonwertować cały folder skanów, łącznie z podfolderami, kliknij Dodaj folder.
- Konwersja zaczyna się od razu. Przy pierwszym pliku PDF wiersz pokazuje Ładowanie silnika PDF, zanim zaczną się przetwarzać strony.
- Poczekaj, aż wiersz pokaże wynik: Zakończono, Wymaga sprawdzenia lub Nie udało się.
- Kliknij dwukrotnie ścieżkę wyniku w wierszu, aby otworzyć plik Markdown.
Plik Markdown dostaje nazwę pliku PDF i jest zapisywany w tym samym folderze. Jeśli strony zawierają obrazy, na przykład zdjęcia lub diagramy, trafiają one do folderu obok. Sam plik PDF nie jest zmieniany.
Scans/
lease-agreement.pdf
lease-agreement.md
lease-agreement_images/Pliki PDF są konwertowane jeden po drugim, a dokumenty innych typów z kolejki są przetwarzane równolegle z nimi. Aplikacja czyta pliki tylko z dysków lokalnych. Jeśli skaner zapisuje do folderu sieciowego, najpierw skopiuj pliki PDF na komputer.
Skąd aplikacja wie, że strona wymaga OCR
Strona wymaga OCR, gdy jej tekst istnieje tylko jako obraz. MD Factory sprawdza w każdym pliku PDF, czy ma on tekst, który można zaznaczyć, i wybiera jedną z dwóch dróg:
- Jeśli żadna strona nie ma tekstu do zaznaczenia, cały plik jest traktowany jak skan, a każda strona jest rozpoznawana przez OCR w całości.
- Jeśli część stron ma tekst, aplikacja zachowuje ten tekst bez zmian i uruchamia OCR tylko tam, gdzie tekst jest obrazem, na przykład na zeskanowanej stronie w wydrukowanym raporcie.
Mieszany plik PDF nie wymaga przygotowania. W naszym teście trzystronicowy plik z wpisaną pierwszą i ostatnią stroną oraz zeskanowaną stroną środkową dał jeden plik Markdown z tekstem wszystkich trzech stron.
MD Factory przyjmuje skany tylko jako pliki PDF. Pliki graficzne, takie jak JPG, PNG czy TIFF, są oznaczane jako pominięte, więc ustaw w aplikacji skanera zapis do PDF.
Jeśli cały Twój PDF ma już tekst do zaznaczenia, OCR nie bierze udziału w konwersji. Takie pliki opisuje poradnik konwertowania PDF na Markdown .
Wybór języka OCR
Każdy PDF zaczyna z językiem OCR ustawionym na Auto (wykrywanie skryptu). W tym trybie aplikacja ustala, jakiego alfabetu używa każda strona, na przykład łacińskiego, cyrylicy, greckiego lub arabskiego, i czyta ją modelem dla tego alfabetu. W naszych testach na czystych stronach testowych w 300 dpi z tekstem 12-punktowym Auto przeczytało stronę angielską bez błędów, a rosyjską z mniej niż jednym błędnym znakiem na sto.
Język wybierasz, gdy PDF kończy ze statusem Wymaga sprawdzenia lub Nie udało się:
- Gdy kolejka się skończy, kliknij status w wierszu pliku. Otworzy się okno z listą znalezionych problemów.
- Otwórz listę Język OCR i wybierz język dokumentu.
- Kliknij Spróbuj ponownie.
Nie ma ustawienia, które pozwala wybrać język z góry. Każdy nowy PDF zaczyna w trybie Auto, a język wybrany jako ostatni jest zaznaczony wstępnie przy następnej ponownej próbie.
Dwa języki na jednej stronie działają w trybie Auto, gdy mają wspólny alfabet, na przykład angielski i niemiecki.
Gdy alfabety się różnią, Auto czyta całą stronę jako jeden z nich. W większości alfabetów ten model obejmuje także angielski, więc angielskie terminy na stronie greckiej lub arabskiej zwykle się poprawnie odczytują. Wyjątkiem jest cyrylica: w naszym teście strona z tekstem angielskim i rosyjskim dostała status Wymaga sprawdzenia. Spróbuj ponownie z głównym językiem strony, a potem sprawdź słowa w drugim alfabecie ze skanem.
Co oznacza Wymaga sprawdzenia przy skanie
Wymaga sprawdzenia oznacza, że aplikacja zapisała plik Markdown, ale znalazła problem wart sprawdzenia. Przy skanach okno otwierane ze statusu zwykle pokazuje jeden z tych komunikatów, z numerem strony w nawiasie:
| Komunikat | Co się stało | Co zrobić |
|---|---|---|
| OCR nie mógł odczytać części tego dokumentu. Wybierz język i spróbuj ponownie. | Rozpoznane słowa na tej stronie mają średnią pewność poniżej 75% albo nie udało się odczytać części strony. | Wybierz język dokumentu i spróbuj ponownie. Jeśli język jest już właściwy, porównaj stronę ze skanem lub zeskanuj ją ponownie. |
| Strona nie zawiera wyodrębnionego tekstu. Sprawdź to względem źródła. | Na tej stronie nic nie rozpoznano. Ten komunikat dostają także puste strony. | Obejrzyj stronę w pliku PDF. Jeśli ma tekst, zeskanuj ją ponownie wyraźniej. |
Jeśli żadna strona nie daje tekstu, plik otrzymuje status Nie udało się, a okno proponuje ponowną próbę z jawnie wybranym językiem OCR.
Zakończono nie oznacza, że każdy znak jest poprawny. Kontrola uwzględnia średnią dla całej strony, więc pojedynczy błędnie odczytany znak na poza tym czystej stronie jej nie uruchamia. Na wspomnianej czystej rosyjskiej stronie testowej liczba 1248 wyszła jako 124%.
Zanim zaufasz tekstowi, porównaj ze skanem każdą liczbę, której użyjesz: nazwiska, daty, kwoty oraz numery kont i dokumentów.
Krzywe, zaszumione i wyblakłe strony
Lekkie przechylenie i drobne plamki nie są problemem. W naszych testach strona przechylona o około jeden stopień, lekko rozmyta i pokryta drobnymi plamkami została przekonwertowana ze statusem Zakończono.
Słaby skan zostaje oznaczony. Rozmyta strona o niskim kontraście, zeskanowana w niskiej rozdzielczości i przechylona o 3,5 stopnia, dostała status Wymaga sprawdzenia.
Strony leżące bokiem lub do góry nogami obróć przed konwersją w aplikacji skanera lub edytorze PDF. Gdy strona dostaje status Wymaga sprawdzenia z powodu jakości, a nie języka, zeskanuj ją ponownie z ustawieniami poniżej.
Tabele na zeskanowanych stronach
MD Factory szuka tabel także na zeskanowanych stronach i zapisuje je jako tabele Markdown. Każda komórka to nadal tekst z OCR, a tabela dobrze ukrywa błędy: błędna cyfra w kolumnie liczb wygląda równie wiarygodnie jak poprawna.
Porównaj tabelę ze skanem wiersz po wierszu. Zsumuj kolumnę i porównaj wynik z wydrukowaną sumą. Jeśli wartości trafiły do złego wiersza lub kolumny, popraw je w pliku Markdown. Poradnik o PDF zawiera przykład odtworzenia tabeli, która straciła wiersze.
Pismo odręczne
MD Factory rozpoznaje tekst drukowany i maszynowy. Nie jest przeznaczony do pisma odręcznego: odręczne notatki, uwagi na marginesach i wypełnione pola formularzy mogą wyjść zniekształcone lub zniknąć.
Nie polegaj na przekonwertowanym tekście, jeśli chodzi o cokolwiek napisanego ręcznie. Traktuj skan jako punkt odniesienia, a te fragmenty przepisz samodzielnie.
Skanowanie z myślą o lepszym OCR
Jakość rozpoznawania zależy od obrazu. Poradnik Tesseract dotyczący poprawy jakości OCR wymienia, co utrudnia odczyt obrazu, a przy skanowaniu sprowadza się to do pięciu rzeczy:
- Skanuj w 300 dpi lub więcej. Według poradnika rozpoznawanie działa najlepiej w rozdzielczości co najmniej 300 dpi.
- Połóż stronę równo na szybie. Przechylona strona znacznie utrudnia wyodrębnienie wierszy tekstu.
- Dbaj o równe oświetlenie, zwłaszcza gdy fotografujesz strony telefonem. Cienie i nierówno ciemne tło utrudniają odróżnienie tekstu od papieru.
- Zamknij pokrywę skanera albo przytnij brzegi. Ciemne obramowania wokół zeskanowanej strony mogą zostać odczytane jako dodatkowe znaki.
- Użyj najczystszej kopii, jaką masz. Plamki i inny szum obniżają dokładność.
Zapisuj każdy dokument jako osobny plik PDF. MD Factory tworzy jeden plik Markdown na każdy PDF, więc stos niepowiązanych papierów zeskanowanych do jednego pliku stanie się jedną długą notatką.
Dowody osobiste, umowy i dokumentacja medyczna
Skany są często osobiste: paszporty, umowy, wyciągi bankowe, dokumentacja medyczna. MD Factory rozpoznaje je na Twoim komputerze i nie wysyła pliku PDF ani rozpoznanego tekstu.
Plik Markdown jest zapisywany obok skanu. Tekst zamknięty dotąd w obrazie staje się zwykłym tekstem, który może przeczytać i przeszukać każdy, kto ma dostęp do folderu. Jeśli ten folder synchronizuje się z OneDrive lub inną usługą w chmurze, plik Markdown też się synchronizuje. Nasz poradnik konwertowania dokumentów bez wysyłania ich do sieci pokazuje, jak sprawdzić, gdzie folder jest przechowywany.
W przypadku dokumentów prawnych, medycznych i finansowych oryginałem pozostaje skan. Traktuj plik Markdown jako kopię roboczą i przed podjęciem działań sprawdź każdą liczbę ze skanem. Gdy pliku Markdown i jego folderu z obrazami już nie potrzebujesz, usuń je.