PDF إلى Word وOCR: استخرج النص القابل للتحرير بطريقة ذكية

يبدو PDF to Word بسيطًا، لكن ملفات PDF ليست كلها متشابهة. يحتوي ملف PDF الرقمي الذي تم تصديره من Word على نص قابل للتحديد؛ إن ملف PDF الممسوح ضوئيًا عبارة عن مجموعة من الصور. يجب أن تكتشف أدوات المتصفح الحالة التي لديك وتقوم بتشغيل التعرف الضوئي على الحروف (OCR) بشكل اختياري — يتنقل هذا الدليل عبر كلا المسارين.

PDF المستند إلى النص مقابل PDF الممسوح ضوئيًا

افتح ملف PDF وحاول تحديد جملة. إذا تم تمييز النص بشكل واضح، فيمكن للاستخراج قراءة الأحرف المشفرة - قم بتعطيل التعرف الضوئي على الحروف (OCR) للسرعة. إذا رسم التحديد مربعًا أزرقًا على الصفحة بأكملها أو لم يحدث شيء، فمن المحتمل أن يكون لديك صور - قم بتمكين التعرف الضوئي على الحروف.

قد تحتاج ملفات PDF المختلطة (الغلاف الرقمي والمرفقات الممسوحة ضوئيًا) إلى تقسيم يدوي للحصول على أفضل النتائج.

كيف يعمل التعرف الضوئي على الحروف (OCR) في المتصفح

يقوم Tesseract.js بتحليل صور الصفحة وتخمين الأحرف لكل نموذج لغة. يتم تشغيله محليًا ولكنه يستهلك وحدة المعالجة المركزية بشكل مكثف. اختر لغة المستند الأساسية (الإنجليزية والصينية واليابانية وغيرها) من الأدوات التي تدعم تحديد لغة التعرف الضوئي على الحروف (OCR).

عمليات مسح ضوئي بدقة أعلى (300 نقطة لكل بوصة) OCR أفضل من صور الهاتف الملتقطة بزوايا منحرفة تحت الإضاءة الصفراء.

لماذا لا يتطابق التصميم تمامًا أبدًا

يخزن PDF تحديد المواقع المطلقة؛ يستخدم Word تخطيط التدفق. تقوم المحولات بتعيين الفقرات والعناوين ولكنها تسقط الأشرطة الجانبية المعقدة والحواشي السفلية وشبكات الجدول الدقيقة. توقع إعادة تنسيق الأعمدة وإعادة إدراج الصور وإصلاح مستويات العناوين بعد التصدير.

لاقتباس فقرة، قد يكون تحويل PDF إلى TXT أسرع من Word. لتحرير العقد، حدد وقتًا للتنظيف اليدوي.

تحسين دقة التعرف الضوئي على الحروف

قم بالمسح الضوئي بشكل مسطح واقتصاص الحدود وزيادة التباين وتدوير الصفحات في وضع مستقيم قبل التحويل. بالنسبة للمستندات ثنائية اللغة، قم بتشغيلها مرتين باستخدام لغات التعرف الضوئي على الحروف المختلفة إذا لزم الأمر وادمجها يدويًا.

تفشل الكتابة اليدوية والطوابع والخطوط المزخرفة بشكل روتيني - تقنية التعرف الضوئي على الحروف مخصصة للنص المكتوب، وليس التوقيعات.

توصيات سير العمل

1) حاول استخراج النص بدون التعرف الضوئي على الحروف (OCR) أولاً. 2) تمكين التعرف الضوئي على الحروف لعمليات المسح؛ تدقيق في كلمة. 3) استخدم PDF إلى TXT عندما تحتاج إلى كلمات فقط. 4) استخدم PDF للصور إذا كنت بحاجة إلى رسومات على مستوى الصفحة. 5) بالنسبة لملفات PDF القانونية المؤرشفة، احتفظ بملف PDF الأصلي دون تغيير وتعامل مع مخرجات Word كمسودة.

لا تفترض أبدًا أن مخرجات التعرف الضوئي على الحروف متطابقة قانونيًا مع النسخة الممسوحة ضوئيًا دون مراجعة بشرية.