Πώς να μετατρέψετε ένα σαρωμένο PDF σε Word και γιατί τα αποτελέσματα διαφέρουν

Δύο PDF μπορεί να φαίνονται ίδια στην οθόνη και να συμπεριφέρονται εντελώς διαφορετικά όταν τα μετατρέπετε σε Word. Το ένα αποθηκεύτηκε από επεξεργαστή κειμένου και περιέχει πραγματικό κείμενο. Το άλλο δημιουργήθηκε από σαρωτή ή από την κάμερα ενός κινητού, και κάθε σελίδα του είναι μια φωτογραφία κειμένου. Για να γίνει το δεύτερο είδος επεξεργάσιμο έγγραφο, ένα εργαλείο μετατροπής πρέπει πρώτα να διαβάσει τα γράμματα από την εικόνα και μετά να μαντέψει πώς ήταν στημένη η σελίδα. Και τα δύο βήματα μπορεί να πάνε στραβά, και αυτός ο οδηγός εξηγεί πού, γιατί και τι μπορείτε να κάνετε γι’ αυτό.

Πώς να καταλάβετε αν το PDF σας είναι σαρωμένο

Ο πιο γρήγορος έλεγχος είναι να προσπαθήσετε να επιλέξετε μία λέξη. Αν ο δείκτης σχεδιάζει ένα πλαίσιο πάνω σε όλη τη σελίδα αντί να επισημαίνει τη λέξη, η σελίδα είναι εικόνα. Η αναζήτηση με Ctrl+F (Cmd+F σε Mac) είναι ο δεύτερος έλεγχος: σε μια σαρωμένη σελίδα δεν βρίσκεται τίποτα, ακόμη και για μια λέξη που βλέπετε.

Βοηθά επίσης η μεγέθυνση. Το πραγματικό κείμενο μένει ευκρινές σε κάθε μεγέθυνση, γιατί σχεδιάζεται από μια γραμματοσειρά. Το σαρωμένο κείμενο θολώνει και γίνεται τετραγωνισμένο καθώς μεγεθύνετε, γιατί αποτελείται από pixel.

Ορισμένες σαρώσεις είναι μείγμα. Το λογισμικό των σαρωτών συχνά εκτελεί αναγνώριση κειμένου όταν αποθηκεύει το αρχείο και κρύβει το κείμενο που αναγνώρισε πίσω από την εικόνα, ώστε να μπορείτε να επιλέγετε και να αναζητάτε. Αυτό το κρυφό κείμενο είναι όμως τόσο καλό όσο η εκτίμηση του σαρωτή. Αντιγράψτε μια παράγραφο σε έναν απλό επεξεργαστή κειμένου και θα δείτε ακριβώς τι υπάρχει, μαζί με τα λάθη ανάγνωσης.

Τι κάνει πραγματικά η OCR

Η OCR, η οπτική αναγνώριση χαρακτήρων, είναι η διαδικασία που μετατρέπει μια εικόνα κειμένου σε χαρακτήρες. Γίνεται σε στάδια. Η εικόνα καθαρίζεται: ισιώνεται αν είναι στραβή και ρυθμίζεται η αντίθεσή της. Στη συνέχεια το λογισμικό βρίσκει τις περιοχές που περιέχουν κείμενο, τις χωρίζει σε γραμμές και λέξεις και συγκρίνει κάθε σχήμα με όσα έχει μάθει για το πώς μοιάζουν τα γράμματα, χρησιμοποιώντας ένα λεξικό της γλώσσας για να κρίνει τις οριακές περιπτώσεις.

Το λεξικό είναι σημαντικό, γιατί μπορεί να βοηθήσει μόνο με λέξεις. Αν η OCR διαβάσει «lnvoice» με πεζό L, το αγγλικό λεξικό τη διορθώνει σε «invoice». Αν διαβάσει έναν αριθμό λογαριασμού ως 1O45 αντί για 1045, δεν υπάρχει τίποτα με το οποίο να τον διορθώσει. Οι συνηθισμένες συγχύσεις είναι ανάμεσα σε χαρακτήρες που μοιάζουν σε πολλές γραμματοσειρές: 0 και O, 1 και l και I, 5 και S, 8 και B, καθώς και το ζευγάρι «rn», που μπορεί να γίνει «m». Γι’ αυτό τα λάθη της OCR κρύβονται στους αριθμούς, στα ονόματα και στους κωδικούς, και γι’ αυτό αξίζουν τον πιο προσεκτικό έλεγχο.

Γιατί τα αποτελέσματα διαφέρουν τόσο πολύ από σάρωση σε σάρωση

Το ίδιο εργαλείο μετατροπής μπορεί να δώσει σχεδόν τέλειο κείμενο από μία σάρωση και ένα χάος από μια άλλη. Η διαφορά βρίσκεται σχεδόν πάντα στην εικόνα:

• Ανάλυση. Τα 300 DPI είναι η συνηθισμένη σύσταση για τη σάρωση εγγράφων για OCR. Κάτω από περίπου 200 DPI, τα μικρά γράμματα χάνουν τη λεπτομέρεια που ξεχωρίζει τα παρόμοια γράμματα μεταξύ τους. Τα πολύ ψιλά γράμματα, όπως οι υποσημειώσεις και οι όροι στο πίσω μέρος μιας φόρμας, ωφελούνται από 400 DPI ή περισσότερα.
• Γωνία και καμπύλη. Μια σελίδα φωτογραφημένη υπό γωνία, ή μια σελίδα βιβλίου που καμπυλώνει προς τη ράχη, δίνει γραμμές κειμένου που δεν είναι ίσιες. Το ίσιωμα βοηθά, αλλά οι καμπύλες γραμμές συχνά βγαίνουν με λέξεις που χάθηκαν ή ενώθηκαν.
• Αντίθεση και φόντο. Το χρωματιστό χαρτί, ο μαρκαδόρος, οι σφραγίδες πάνω στο κείμενο και τα αχνά αντίγραφα αντιγράφων κάνουν όλα πιο δύσκολο τον διαχωρισμό των γραμμάτων από ό,τι βρίσκεται πίσω τους.
• Έντονη συμπίεση. Μια σάρωση αποθηκευμένη σε χαμηλή ποιότητα JPEG έχει θολές άκρες και μουτζούρες γύρω από κάθε γράμμα. Μια ασπρόμαυρη εικόνα ποιότητας φαξ σπάει τις λεπτές γραμμές.
• Χειρόγραφα. Η OCR που χρησιμοποιείται στη μετατροπή εγγράφων είναι φτιαγμένη για τυπωμένο κείμενο. Οι χειρόγραφες σημειώσεις και οι υπογραφές συνήθως βγαίνουν λάθος ή μένουν ως εικόνες.
• Γλώσσα και διάταξη. Η αναγνώριση εκπαιδεύεται ανά σύστημα γραφής και γλώσσα, οπότε τα λιγότερο διαδεδομένα συστήματα γραφής και οι σελίδες με πολλές γλώσσες είναι πιο δύσκολα. Οι πολλές στήλες, οι πίνακες χωρίς γραμμές και το κείμενο πάνω σε εικόνες κάνουν ακόμη πιο δύσκολο το βήμα της διάταξης.

Γιατί το αρχείο Word μπορεί να φαίνεται διαφορετικό ακόμη κι όταν το κείμενο είναι σωστό

Η αναγνώριση των χαρακτήρων είναι μόνο η μισή δουλειά. Ένα εργαλείο μετατροπής πρέπει επίσης να ξαναστήσει τη σελίδα σε κάτι που καταλαβαίνει το Word, και εκεί αντιμετωπίζει έναν συμβιβασμό. Μπορεί να γράψει το κείμενο ως κανονικές παραγράφους που ρέουν, οι οποίες επεξεργάζονται εύκολα αλλά απομακρύνονται από την αρχική διάταξη. Ή μπορεί να καρφιτσώσει κάθε κομμάτι κειμένου στην ακριβή θέση του, κάτι που φαίνεται σωστό αλλά επεξεργάζεται δύσκολα, γιατί όταν πληκτρολογείτε σε ένα κομμάτι, το επόμενο δεν σπρώχνεται προς τα κάτω.

Άλλες διαφορές οφείλονται σε πληροφορίες που η σάρωση απλώς δεν περιέχει. Η OCR δεν μπορεί να ξέρει ποια γραμματοσειρά χρησιμοποιήθηκε, οπότε το Word παίρνει μια παρόμοια και οι αλλαγές γραμμής μετακινούνται. Ένας πίνακας με γραμμές μπορεί να ξαναστηθεί ως πίνακας του Word, αλλά ένας πίνακας χωρίς γραμμές μπορεί να έρθει ως κείμενο χωρισμένο με στηλοθέτες ή κενά. Οι κεφαλίδες, τα υποσέλιδα και οι αριθμοί σελίδων μπορεί να καταλήξουν στο σώμα του εγγράφου, και τα λογότυπα, οι σφραγίδες και οι υπογραφές μένουν ως εικόνες.

Μετατροπή σάρωσης με το «PDF σε Word»

Το εργαλείο μας PDF σε Word εφαρμόζει αυτόματα OCR στις σελίδες που τη χρειάζονται, οπότε μια σάρωση επιστρέφει ως .docx με επεξεργάσιμο κείμενο, ενώ οι σελίδες που περιέχουν ήδη κείμενο μετατρέπονται απευθείας. Το αρχείο αποστέλλεται σε έναν πάροχο μετατροπής εγγράφων, ο οποίος δηλώνει ότι διαγράφει το αρχείο και το αποτέλεσμα μέσα σε τρεις ώρες. Δεν υπάρχει καθορισμένο όριο μεγέθους, αλλά η μεταφόρτωση πρέπει να ολοκληρωθεί μέσα σε περίπου 40 δευτερόλεπτα, οπότε μια πολύ μεγάλη σάρωση χρειάζεται γρήγορη σύνδεση. Ένα PDF που χρειάζεται κωδικό πρόσβασης για να ανοίξει πρέπει πρώτα να ξεκλειδωθεί.

Αξίζει να κάνετε μερικά πράγματα πριν από τη μετατροπή:

• Γυρίστε σωστά τις σελίδες που είναι πλάγιες ή ανάποδες και αφαιρέστε τις κενές σελίδες. Η Οργάνωση αρχείων κάνει και τα δύο χωρίς να ανεβάσει το αρχείο.
• Αν σαρώνετε μόνοι σας το χαρτί, χρησιμοποιήστε 300 DPI σε κλίμακα του γκρι ή σε χρώμα αντί για την ασπρόμαυρη λειτουργία του σαρωτή, η οποία μπορεί να σπάσει τα λεπτά γράμματα πριν καν τα δει η OCR.
• Αν χρειάζεστε μόνο λίγες σελίδες, μετατρέψτε μόνο αυτές. Μετά έχετε λιγότερα να ελέγξετε.

Τι να ελέγξετε πριν βασιστείτε στο αποτέλεσμα

Η OCR κάνει λάθη στις περισσότερες πραγματικές σαρώσεις, και δεν σας προειδοποιεί όταν τα κάνει. Πριν στείλετε ή αρχειοθετήσετε το έγγραφο που μετατράπηκε, ελέγξτε:

• Κάθε αριθμό που έχει σημασία. Σύνολα, ημερομηνίες, ποσά, αριθμούς λογαριασμών και αναφοράς, αριθμούς τηλεφώνου. Συγκρίνετέ τους με τη σάρωση, όχι με ό,τι φαίνεται λογικό.
• Ονόματα και διευθύνσεις. Σπάνια βρίσκονται σε λεξικό, οπότε τίποτα δεν τα διορθώνει.
• Λέξεις που υπογραμμίζει ο ορθογραφικός έλεγχος. Οι κόκκινες υπογραμμίσεις μαζεύονται εκεί όπου η OCR μάντεψε λάθος, κάτι που κάνει τον ορθογραφικό έλεγχο του Word ένα πρόχειρο εργαλείο εντοπισμού λαθών.
• Ψιλά γράμματα και περιθώρια. Οι υποσημειώσεις, οι σφραγίδες και οι σημειώσεις στο περιθώριο είναι το κείμενο που χάνεται πιο συχνά εντελώς.
• Πίνακες. Βεβαιωθείτε ότι κάθε τιμή βρίσκεται στη σωστή γραμμή και στήλη.

Τι δεν λειτουργεί καλά

Ορισμένα έγγραφα θα απογοητεύσουν κάθε εργαλείο μετατροπής. Οι χειρόγραφες φόρμες, τα φαξ, τα στιγμιότυπα εγγράφων τραβηγμένα σε ανάλυση οθόνης και το κείμενο που είναι μέρος μιας φωτογραφίας ή ενός διαγράμματος συνήθως πρέπει να ξαναπληκτρολογηθούν όπου έχουν σημασία.

Δύο από τα άλλα εργαλεία μας δεν διαβάζουν καθόλου σαρώσεις. Το PDF σε Excel διαβάζει μόνο κείμενο που υπάρχει ήδη στο PDF, οπότε δεν μπορεί να εξαγάγει πίνακα από σαρωμένη σελίδα. Η «Μετάφραση εγγράφου» απορρίπτει τα σαρωμένα PDF για τον ίδιο λόγο. Και στις δύο περιπτώσεις, μπορείτε πρώτα να μετατρέψετε τη σάρωση με το «PDF σε Word», να ελέγξετε το κείμενο και να δουλέψετε από το αρχείο Word: να αντιγράψετε έναν πίνακα στο Excel ή να μεταφράσετε το .docx.

Συμπέρασμα

Η μετατροπή ενός σαρωμένου PDF σε Word είναι δύο διαδοχικές εκτιμήσεις: ποια είναι τα γράμματα και πώς ήταν στημένη η σελίδα. Μια ευκρινής, ίσια σάρωση στα 300 DPI κάνει και τις δύο εκτιμήσεις πιο εύκολες, και ένας προσεκτικός έλεγχος των αριθμών και των ονομάτων πιάνει ό,τι κάνει λάθος η OCR. Αντιμετωπίστε το αποτέλεσμα ως πρώτο προσχέδιο του κειμένου, όχι ως αντίγραφο του πρωτοτύπου, και σπάνια θα βρεθείτε προ εκπλήξεως.

Έχετε μια σάρωση που θέλετε να γίνει κείμενο; Δοκιμάστε το εργαλείο PDF σε Word.

← Επιστροφή στο blog