1Igo eskaneatutako PDF documents; 300 DPI gris-eskalako eskaneaketa garbi batek ezagutarazleari lan egiteko gehien ematen dio.
2Hizkuntzaren erabilerak, hizkuntzaren erabileraren arabera, berezko hizkuntzaren ezaugarri batzuk ditu, eta hizkuntzaren erabilerak, berriz, hizkuntzaren ezaugarri batzuk.
3Exekutatu ezagutza-pasa; hitzak ikusezin gisa itzultzen dira, jatorrizko orri-irudiaren gainean eserita.
4Deskargatu PDF fitxategi bilagarria — berdina dirudi, baina orain bertan dagoen testua bilatu eta hauta dezakezu.
OCR PDFa Maiz egiten diren galderak
Nola bihurtzen du OCR PDFk eskaneatze bat testu bihurtu?
+
Zehazki, orrialde bakoitza errendatzen da, Tesseract testu-ezagutza pasabide batetik pasatzen da 100 hizkuntza baino gehiagotan, eta ezagututako hitzak jatorrizko irudiaren gainean kokatuta dagoen testu ikusezin geruza gisa idazten dira - beraz, orrialdeak aldaketarik gabe dirudi, baina bilatu eta hauta daiteke. Orrialdeak lehen bezalako itxura du oraindik — ezagututako testua irudiaren atzean ikusezin dago, bilaketa eta hautapena itxura aldatu gabe egin daitezen.
Zein hizkuntzak ezagutzen ditu?
+
100 baino gehiago, latin, ziriliko, greziar, arabiar, hebreeraz, txineraz, japonieraz, koreeraz eta indiar idazkera barne. Zein hizkuntza espero den esateak zehaztasuna hobetzen du asmatzen uzten diozuna baino.
Iturburu-formatuak eragina du ezagutzan?
+
Hala da. PDFak orrialdea finkatzen du: letra-tipoak, bektoreak, raster irudiak eta testuaren koordenatuak izoztuta daude, irakurle guztiek diseinu berdina ikusi dezaten. Orrialdea gordetzeko moduak erabakitzen du zein bereizmen eta kolore informaziorekin lan egin behar duen ezagutarazleak.
Zerbait zehatza hemen PDF-ri buruz?
+
Bai — PDF bat objektu-grafiko bat da, ez orrialde-irudia, beraz, testua hautagarria izaten jarraitzen du eta bektoreak zorrotzak izaten jarraitzen du, barruko raster-edukiari gertatzen zaion guztia kontuan hartu gabe. Ezagutzaileak ikusi dezakeena aldatzen du.
Zein zehatza da?
+
Inprimatutako testua 300 DPI-ko eskaneatze garbi batean, erroreak gutxi gertatzen direlako eta gehienbat izen propio arraroetan, nahikoa altua da. Zehaztasuna nabarmen jaisten da bereizmen txikiarekin, okerra, telefono-kamerako itzalekin, letra-tipo arraroekin eta eskuz idatzita — eskuz idatzita, bereziki, ez da hau egiteko modua.
Zertan eskaneatu behar dut emaitza onena lortzeko?
+
300 DPI gris-eskalatan puntu egokia da. 200 DPItik behera karaktere-formak hondatzen hasten dira; 400 DPItik gora ia ezer ez duzu irabazten eta fitxategi-tamaina eta prozesamendu-denbora ordaindu behar dituzu.
Zer igo dezaket OCR PDF(e)ra?
+
Edozein PDF estandar, eskaner batek, testu-prozesagailu batek edo inprimagailu-kontrolatzaile batek sortutakoak barne. Edizioa mugatzen duen jabearen pasahitza duten fitxategiak kudeatzen dira; erabiltzailearen pasahitza behar duten fitxategiak ez dira kudeatzen, eta ez dugu enkriptazioa apurtzen saiatzen.
Fitxategi-tamainaren mugarik al dago OCR PDF(e)n?
+
Bai: kontu libreek 5 MB dokumentu arte prozesa ditzakete bakoitzak, txosten eta kontratu gehienak estaltzen ditu, baina ez 600 DPI-ko eskaneatutako dokumentu luze bat; Ghostscript eta qpdf-k lan hori egiten dute. Eskaneatutako PDFak dira ohikoenak, eta dokumentua lehenik konprimitzea nahikoa da normalean azpian itzultzeko.
OCR PDFk nire PDF documentsren kalitatea murriztuko du?
+
Testua eta grafiko bektorialak pixelak baino objektuak dira, beraz, edozein zoom-ekin zorrotzak dira, gertatzen dena edozein dela ere. Kapsulatutako raster-irudiak bakarrik degrada daitezke, eta hautatu duzun eragiketak lagin berria ematen badie bakarrik.
Exekutatu al dezaket OCR PDF documents batzuetan aldi berean?
+
Bai — igo multzoa eta paraleloan prozesatuko dira ezarpen multzo batekin, hau da, dokumentuen lan-fluxu bat egitearen helburua mahaigaineko irakurle baten bidez klik egitea baino.
Laster-markak, estekak eta formulario-eremuak iraungo al dute?
+
Eskema, barne-estekak eta oharrak mantentzen dira eragiketak ahalbidetzen duenean. Sinadura digitalak salbuespena dira: fitxategian gertatzen den edozein aldaketak sinadura baliogabetu egiten du, hori baita sinaduraren helburua.
OCR PDFk zerbait balio du?
+
OCR PDF zenbakia libre dago konturik gabe, eta ez da ezer zigiltzen orrialdeetan. Igotako dokumentuak langileetatik ezabatu egiten dira lan-prozesua amaitu ondoren.
