Taranmış bir PDF’yi Markdown’a dönüştürmek için onu MD Factory’ye ekleyin. Uygulama yalnızca metin görüntüsünden oluşan sayfaları bulur, metni bilgisayarınızda yerleşik OCR ile tanır ve PDF’nin yanına bir Markdown dosyası kaydeder.
OCR temiz basılı sayfaları iyi okur, soluk, eğri veya el yazısıyla yazılmış sayfalarda hata yapar; bu yüzden sonucu taramayla karşılaştırarak kontrol etmeyi planlayın. Aşağıdaki adımlar sıradan bir PDF’den farklı olan noktaları kapsar: OCR dili, İnceleme gerekiyor durumu, tablolar, el yazısı ve tarayıcı ayarları.
Taranmış PDF’yi dönüştürün
- MD Factory’yi açın.
- Dosya ekle’ye tıklayıp PDF’yi seçin ya da pencereye sürükleyin. Alt klasörleri dâhil bir taramalar klasörünün tamamını dönüştürmek için Klasör ekle’ye tıklayın.
- Dönüştürme hemen başlar. İlk PDF için sayfalar işlenmeden önce satırda PDF motorunu yükleme yazar.
- Satırda sonuç görünene kadar bekleyin: Tamamlanmış, İnceleme gerekiyor veya Arızalı.
- Markdown dosyasını açmak için satırdaki sonuç yoluna çift tıklayın.
Markdown dosyası PDF’nin adını alır ve aynı klasöre kaydedilir. Sayfalarda fotoğraf veya diyagram gibi resimler varsa bunlar yanındaki bir klasöre konur. PDF’nin kendisi değişmez.
Scans/
lease-agreement.pdf
lease-agreement.md
lease-agreement_images/PDF’ler birbiri ardına dönüştürülür; kuyruktaki diğer belge türleri ise onlarla birlikte çalışır. Uygulama yalnızca yerel sürücülerdeki dosyaları okur. Tarayıcınız bir ağ klasörüne kaydediyorsa PDF’leri önce bilgisayarınıza kopyalayın.
Uygulama bir sayfanın OCR gerektirdiğine nasıl karar verir
Bir sayfanın metni yalnızca görüntü olarak varsa sayfa OCR gerektirir. MD Factory her PDF’de seçilebilir metin olup olmadığına bakar ve iki yoldan birini seçer:
- Hiçbir sayfada seçilebilir metin yoksa dosyanın tamamı tarama sayılır ve her sayfa bütünüyle OCR ile tanınır.
- Bazı sayfalarda metin varsa uygulama bu metni olduğu gibi korur ve OCR’yi yalnızca metnin görüntü olarak göründüğü yerlerde çalıştırır; örneğin daktilo edilmiş bir raporun içindeki taranmış bir sayfada.
Karma bir PDF için hazırlık gerekmez. Testimizde, ilk ve son sayfası daktilo edilmiş, ortadaki sayfası taranmış üç sayfalık bir dosya, üç sayfanın metnini de içeren tek bir Markdown dosyası olarak çıktı.
MD Factory taramaları yalnızca PDF dosyası olarak kabul eder. JPG, PNG veya TIFF gibi görüntü dosyaları atlanmış olarak listelenir, bu yüzden tarayıcı uygulamanızı PDF kaydedecek şekilde ayarlayın.
PDF’nizde baştan sona seçilebilir metin varsa OCR devreye girmez. Bu dosyaları PDF’yi Markdown’a dönüştürme rehberi ele alır.
OCR dilini seçin
Her PDF, OCR dili Otomatik (alfabe algılama) olarak ayarlanmış halde başlar. Bu kipte uygulama her sayfanın hangi alfabeyi kullandığını, örneğin Latin, Kiril, Yunan veya Arap alfabesini, belirler ve sayfayı o alfabe için bir modelle okur. 300 dpi’de ve 12 punto metinle hazırlanmış temiz test sayfalarında yaptığımız denemelerde Otomatik, bir İngilizce sayfayı hatasız, bir Rusça sayfayı ise yüz karakterde birden az yanlış karakterle okudu.
Bir PDF İnceleme gerekiyor veya Arızalı olarak bittiğinde dili siz seçersiniz:
- Kuyruk bittiğinde dosyanın satırındaki duruma tıklayın. Bulunan sorunların listesini içeren bir pencere açılır.
- OCR dili listesini açın ve belgenin dilini seçin.
- Yeniden dene’ye tıklayın.
Dili önceden seçmek için bir ayar yoktur. Her yeni PDF Otomatik ile başlar ve bir sonraki yeniden denemede en son seçtiğiniz dil önceden seçili gelir.
Aynı sayfadaki iki dil, İngilizce ve Almanca gibi aynı alfabeyi paylaşıyorsa Otomatik’te çalışır.
Alfabeler farklı olduğunda Otomatik, sayfanın tamamını bunlardan biri olarak okur. Çoğu alfabe için o model İngilizceyi de kapsar; bu yüzden Yunanca veya Arapça bir sayfadaki İngilizce terimler genellikle doğru çıkar. Kiril bunun istisnasıdır: testimizde hem İngilizce hem Rusça metin içeren bir sayfa İnceleme gerekiyor aldı. Sayfanın ana diliyle yeniden deneyin, ardından diğer alfabedeki sözcükleri taramayla karşılaştırın.
Bir tarama için İnceleme gerekiyor ne anlama gelir
İnceleme gerekiyor, uygulamanın Markdown dosyasını kaydettiğini ama kontrol etmeye değer bir sorun bulduğunu gösterir. Taramalarda durumdan açılan pencere genellikle şu iletilerden birini gösterir; sayfa numarası parantez içinde yer alır:
| İleti | Ne oldu | Ne yapmalı |
|---|---|---|
| OCR bu belgenin bir kısmını okuyamadı. Bir dil seçin ve yeniden deneyin. | O sayfada tanınan sözcüklerin ortalama güven düzeyi %75’in altında ya da sayfanın bir kısmı okunamadı. | Belgenin dilini seçin ve yeniden deneyin. Dil zaten doğruysa sayfayı taramayla karşılaştırın veya yeniden tarayın. |
| Bir sayfada çıkarılmış metin yok. Kaynağına göre kontrol edin. | O sayfada hiçbir şey tanınmadı. Boş sayfalar da bu iletiyi alır. | Sayfaya PDF’de bakın. Metin içeriyorsa daha net bir şekilde yeniden tarayın. |
Hiçbir sayfadan metin çıkmazsa dosya Arızalı olarak işaretlenir ve pencere, açık bir OCR diliyle yeniden denemeyi önerir.
Tamamlanmış, her karakterin doğru olduğu anlamına gelmez. Kontrol, bir sayfanın tamamının ortalamasına bakar; bu yüzden aksi halde temiz bir sayfadaki tek bir yanlış okunmuş karakter onu tetiklemez. Yukarıda anılan temiz Rusça test sayfasında 1248 sayısı 124% olarak çıktı.
Metne güvenmeden önce kullanacağınız her rakamı taramayla karşılaştırın: adları, tarihleri, tutarları, hesap veya kimlik numaralarını.
Eğri, gürültülü ve soluk sayfalar
Hafif bir eğim ve birkaç leke sorun değildir. Denemelerimizde yaklaşık bir derece eğik, hafif bulanık ve ince lekelerle kaplı bir test sayfası Tamamlanmış olarak dönüştürüldü.
Kötü bir tarama işaretlenir. Düşük çözünürlükte taranmış, bulanık, düşük kontrastlı ve 3,5 derece eğik bir sayfa İnceleme gerekiyor aldı.
Yan veya baş aşağı duran sayfaları dönüştürmeden önce tarayıcı uygulamanızda ya da PDF düzenleyicide döndürün. Bir sayfa dilinden değil kalitesinden dolayı İnceleme gerekiyor alırsa onu aşağıdaki ayarlarla yeniden tarayın.
Taranmış sayfalardaki tablolar
MD Factory taranmış sayfalarda da tabloları arar ve bunları Markdown tabloları olarak yazar. Her hücre yine de OCR metnidir ve tablo hataları iyi gizler: bir rakam sütunundaki yanlış bir rakam, doğru olan kadar makul görünür.
Tabloyu taramayla satır satır karşılaştırın. Bir sütunu toplayın ve sonucu basılı toplamla karşılaştırın. Değerler yanlış satıra veya sütuna kaymışsa bunları Markdown’da düzeltin. Örnek için bkz. PDF rehberindeki satırlarını kaybetmiş bir tabloyu geri yükleme örneği.
El yazısı
MD Factory basılı ve daktilo edilmiş metni tanır. El yazısı için tasarlanmamıştır: el yazısı notlar, kenar yazıları ve doldurulmuş form alanları anlaşılmaz çıkabilir ya da hiç gelmeyebilir.
El yazısıyla yazılmış hiçbir şey için dönüştürülmüş metne güvenmeyin. Taramayı başvuru olarak saklayın ve o kısımları kendiniz yazın.
Daha iyi OCR için tarama yapın
Tanıma kalitesi görüntüye bağlıdır. Tesseract’ın OCR kalitesini artırma rehberi bir görüntünün neden okunmasının zor olduğunu sıralar; tarama açısından bu beş noktaya iner:
- 300 dpi veya daha yüksek çözünürlükte tarayın. Rehber, tanımanın en az 300 dpi çözünürlükte en iyi çalıştığını söyler.
- Sayfayı camın üzerine düz yerleştirin. Eğri bir sayfa metin satırlarını ayırt etmeyi çok zorlaştırır.
- Işığı eşit tutun, özellikle sayfaları telefonla fotoğraflarken. Gölgeler ve eşit olmayan koyu bir arka plan metni kâğıttan ayırt etmeyi zorlaştırır.
- Tarayıcının kapağını kapatın veya kenarları kırpın. Taranmış bir sayfanın çevresindeki koyu kenarlıklar fazladan karakter olarak okunabilir.
- Elinizdeki en temiz kopyayı kullanın. Lekeler ve diğer gürültü doğruluğu düşürür.
Her belgeyi ayrı bir PDF olarak kaydedin. MD Factory her PDF için bir Markdown dosyası oluşturur; bu yüzden birbiriyle ilgisiz kâğıtların tek dosyada taranmış yığını uzun tek bir nota dönüşür.
Kimlikler, sözleşmeler ve tıbbi kayıtlar
Taramalar çoğu zaman kişiseldir: pasaportlar, sözleşmeler, banka ekstreleri, tıbbi kayıtlar. MD Factory bunları bilgisayarınızda tanır; PDF’yi veya tanınan metni yüklemez.
Markdown dosyası taramanın yanına kaydedilir. Bir görüntünün içinde kilitli olan metin artık, klasöre erişimi olan herkesin okuyabileceği ve arayabileceği düz metindir. Bu klasör OneDrive’a veya başka bir bulut hizmetine eşitleniyorsa Markdown dosyası da eşitlenir. belgeleri yüklemeden dönüştürme rehberimiz bir klasörün nerede depolandığını nasıl kontrol edeceğinizi gösterir.
Hukuki, tıbbi ve mali belgelerde asıl olan tarama olarak kalır. Markdown’ı bir çalışma kopyası olarak görün ve bir şey yapmadan önce her rakamı taramayla karşılaştırın. Artık ihtiyacınız kalmadığında Markdown dosyasını ve görsel klasörünü silin.