JPG DOCX bihurtzeak testu editagarria emango al dit?
+
Bai, OCR gaituta dagoenean — irudia analizatzen da, karaktereak ezagutzen dira eta DOCX testu gisa idazten da, hautatu, bilatu eta editatu dezakezun testu gisa. OCR desgaituta dagoenean, JPG dokumentuan irudi gisa jartzen da. JPG 1992tik JPEG estandarra da, eta hiru hamarkada geroago oraindik ere kamera gehienek eta webgune gehienek argazkietarako erabiltzen duten formatua da. DOCX Office Open XML da, Word-ek 2007tik aurrera lehenespenez sortu duen formatua eta ISO estandarra 2008tik aurrera.
Zenbat da testuaren ezagutza?
+
Inprimatutako testua garbi, zuzen eta bereizmen handiz eskaneatzen bada, zehaztasuna 98% baino askoz handiagoa da. Bereizmen txikia, okerrak, itzala, atzeko plano koloretsua edo texturatua, letra-tipo arraroak eta eskuz idatzia dituzten testuetan, zehaztasuna jaisten da. Eskuz idatzia, bereziki, ez da fidagarria.
Nola lortu OCR emaitza onena nire JPG(e)tik?
+
Eskaneatu edo atera argazkia 300 DPI edo hobeagoan, mantendu orrialdea kameraren aurrean lau eta karratua, argitu uniformeki eta saihestu konpresio handia. JPGk 8 bit-eko GBU gordetzen du DCT galduarekin, 4:2:0 kroma azpilaginketa lehenetsiarekin, beraz, testu gorri fina eta ertz gogorrak dira leuntzeko lehen gauzak kalitate baxuan gordetako iturburuak letra bakoitzaren inguruan konpresio-artefaktuak dituelako, eta ezagutarazleak glifoaren zati gisa irakurtzen dituelako.
Zein hizkuntzak ezagutu daitezke?
+
Latin idazkerako hizkuntza nagusiak, eta zirilikoa, greziera, arabiera, hebrea, txinera, japoniera eta koreera. Esan bihurgailuari zein hizkuntza espero duen - ezagutarazleak hizkuntza-eredua erabiltzen du, eta zuzena den batek hobetu egiten du karaktere anbiguoen zehaztasuna.
Orri-diseinua gordetzen da?
+
Irakurketa-ordena, paragrafo-jauziak eta zutabe sinpleak berreraikitzen dira. Aldizkariaren diseinu konplexuak, albo-barrak, oin-oharrak eta irudien inguruan itzulitako testua linealizatuko dira - hitzak bertan daude, baina antolaketa bisuala sinplifikatu egiten da.
Irudiko taulak taula gisa ezagutzen dira?
+
Sareta-lerro ikusgarriak dituzten erregeladun taulak normalean DOCX taula bezala berreraikitzen dira. Zuri-hutsik bakarrik lerrokaturiko taulak testu arrunteko zutabe gisa irakurtzen dira, diseinu-analisiak detektatzeko muga bisualrik ez duelako.
Bihur al ditzaket JPG orrialde batzuk dokumentu bakar batean?
+
Bai — kargatu orrialdeak ordenan eta DOCX bakar baten sekuentziazko orrialde edo atal bihurtuko dira. Fitxategiei izena eman behar diezu ordena egokian ordena ditzaten, fitxategi-izenen ordenak orrialdeen ordena zehazten baitu.
Zer gertatzen da dokumentuko irudia bakarrik nahi badut, ez testua?
+
Desgaitu OCR. JPG irudi gisa txertatzen da, orrialdearen tamainarekin bat datorrena, eta DOCX karaktereak ez, irudia da. Aukera egokia da argazki, diagrama eta artelanetarako.
Irudiaren kalitatea jaitsi egingo da DOCX barruan?
+
Kapsulatutako irudia jatorrizko bereizmenean txertatzen da eta bistaratzeko eskalatzen da soilik. DOCX OOXML pakete zifratua da — testua XML da, beraz editagarria, bilagarria eta diffgagarria da dela eta, dokumentua gordetzean birkonprimitu daiteke aplikazioaren ezarpenen arabera, eta, beraz, argazki oso handiak apur bat leunagoak izan daitezke itzulerako bidaia egin ondoren.
Editatu dezaket emaitza geroago?
+
Bai — irteera DOCX arrunta da, edozein editore bateragarritan ireki daitekeena. Hori da, oro har, bihurketaren arrazoia: orrialde baten irudi lau bat zuzendu, berregituratu eta berrerabili daitekeen zerbaitera bihurtzea.
OCR irteera zuzendu behar dut?
+
Beti, garrantzizko edozein gauzatan. Ezagutzeko erroreak digituetan, puntuazioan eta izen propioetan pilatzen dira, akats batek kalte gehien egiten duen edukian hain zuzen ere. OCR lehen zirriborro azkar bat bezala tratatu, ez transkribapen amaitua bezala.
Pribatua da nire JPG bihurtzean?
+
Bai — igoketak langile isolatuetan prozesatu eta minutu batzuetan ezabatu egiten dira. Eskaneatutako dokumentuak, datu pertsonalak izaten dituztenak, ez dira inoiz gordetzen, berrikusten edo entrenamendurako erabiltzen. Ikusi /privacy/.
