OCR pada PDF yang Dipindai: Cara Meninjau Teks yang Dikenali

Kontrak tersebut telah dipindai bertahun-tahun yang lalu dan tidak ada yang dapat menemukan klausulnya melalui pencarian. Tampaknya berisi teks, tetapi setiap halamannya adalah foto. Pengenalan karakter optik, yang dikenal sebagai OCR, mencoba mencari tahu huruf mana yang ada dalam piksel. Ini sangat membantu penelitian, tetapi memerlukan revisi jika datanya penting.

Gambar sumber menentukan sebagian besar hasilnya

Halaman yang bengkok, bayangan di punggung buku, dan stempel di atas kata-kata membingungkan pengenalan. Jika Anda dapat memindai ulang, sejajarkan lembar, gunakan pencahayaan yang baik, dan hindari memotong tepinya. Gambar yang besar tidak mengimbangi huruf yang goyah. simpulPDF OCR, mulailah dengan beberapa halaman dan lihat apakah hasilnya mempertahankan urutan paragraf.

Program ini dapat mengidentifikasi “0” sebagai “O”, “1” sebagai “l” dan menukar koma dengan titik. Dalam dokumen keuangan, perbedaan kecil mengubah keseluruhan maknanya. Cari istilah yang dikenal dan bandingkan dengan gambar halaman asli sebelum menyalin data.

Teks yang dapat dicari bukanlah teks yang benar secara otomatis

Bahkan ketika OCR menambahkan lapisan pencarian ke PDF, tabel yang rumit tetap sulit untuk dipilih. Periksa apakah teks mengikuti urutan kolom dan apakah catatan kaki telah disertakan. Untuk kutipan formal, lihat halaman yang dipindai, bukan hanya kutipan yang dikenali.

Perawatan dokumen pribadi

Hindari berbagi materi jika tidak perlu. Buat salinan yang berfungsi dan simpan pindaian asli, karena ini memungkinkan Anda memeriksa kueri OCR. Tujuannya adalah untuk mempercepat lokasi informasi dengan aman, menjaga referensi yang dapat diandalkan.

Riset memang membantu, tapi sumbernya tetap gambar

Misalkan Anda mencari klausa berdasarkan nama perusahaan. OCR mengenali hampir semuanya, tetapi mengubah satu huruf pada namanya dan pencarian tidak membuahkan hasil. Hal ini tidak membuktikan bahwa istilah tersebut tidak ada dalam dokumen. Pada pemindaian lama, bereksperimenlah dengan variasi ejaan, bagian kalimat yang lebih pendek, dan baca secara visual halaman yang paling mungkin. Teknologi mengurangi waktu pencarian; itu tidak mensertifikasi konten.

Jika pindaian memiliki stempel, tanda tangan, margin tulisan tangan, atau tabel dengan angka, berikan perhatian ekstra pada poin-poin ini. Sebaiknya simpan dua file yang teridentifikasi: salinan asli dan satu dengan teks yang dikenali. Jika seseorang perlu memvalidasi suatu nilai atau kutipan, gambar asli memberikan referensi untuk memeriksa OCR. Untuk penggunaan hukum, akuntansi, atau medis, jangan pernah menganggap pengenalan otomatis sebagai transkripsi yang sangat mudah.