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
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 itzalak, letra-tipo arraroak eta eskuz idatzitakoak - eskuz idatzitakoak bereziki ez dira hau egiteko egokiak.
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 — 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.
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.
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.
Zergatik Word gune batek OCR PDF ostatatzen du?
+
WORD.to dokumentu baten bizitza editagarriaren amaieran eraikitzen da, DOCX dokumentua oraindik idazten ari da, oraindik estiloa ematen ari da eta oraindik eztabaidatzen ari da, inork bidali aurretik landu aurretik. Office fitxategiak beste pertsonen multimediaz betetako edukiontziak dira — irudiak, audio txertatuak, letra-tipoak — beraz, jendeak fitxategi horietan egin behar duen lana edukiontzi horietan egin beharko lukeen lana da normalean. OCR PDF karga, caps eta kontua bihurketekin partekatzen ditu arrazoi horregatik.
Zer egin behar dut emaitzarekin OCR PDF amaitu ondoren?
+
Webgune honetan dagoen bihurgailuak dokumentuak PDF formatura eramaten ditu bidaltzeko, irudietara txertatzeko eta testu arruntera programa bidez irakurri behar dituen edozein gauzarentzat, eta alderantziz. Ondoren hori eginez gero, jatorrizko editagarria mantendu egingo da, hau da, zati hori ezin izango da berreskuratu, laututa dagoenean.
OCR PDF hemen anai-arreben guneek exekutatzen duten tresna bera da?
+
Motorrak partekatzen dira: dokumentu-tresna-kate bera, langile berberak, muga berberak. Word gune batek gehitzen duena Office formatua uzten denean zerk irauten duen eta zerk ez duen ikuspegia da, lan horietako bakoitzak benetan pizten duen galdera. Webgune honek izena duen formatuari buruzko gertaera batetik ere hasten da: dokumentua XMLren zip bat da, beraz, testua editatzea merkea da eta pisua ia beti irudi kapsulatuak dira.
Kontu bat behar dut, eta ezer gordetzen da?
+
Konturik ez, eta ez da ezer gordetzen: igoketak langileetatik ezabatzen dira lanaren amaiera gertatu eta gutxira, ez da ezer irakurtzen eta ez da ezer indexatzen. Kontu libreak historia eta lote-tamainarentzat daude, ez sarbiderako.
