Skannad PDF: OCR är början, inte slutet

OCR försöker tolka tecknen i en bild och skapa text. Då kan en tidigare bildbaserad sida bli sökbar och läsbar för hjälpmedel. Men en feltolkad siffra kan fortfarande se helt riktig ut i den synliga skanningen.

OCR skapar inte automatiskt korrekta rubriker, listor, tabellrelationer eller bildbeskrivningar. Textlager och dokumentstruktur är olika delar av arbetet.

Källor: [1]

Undersök skanningen innan du väljer inställningar. Är sidorna roterade, sneda eller beskurna? Finns skuggor vid bokryggen? Har små siffror blivit oskarpa? OCR kan inte säkert återskapa information som saknas i bilden. Om en bättre skanning eller originalfil går att få fram kan det spara både arbete och fel.

Välj igenkänningsspråk efter innehållet och kontrollera särskilt dokument med flera språk. Språkvalet påverkar vilka tecken och ord verktyget försöker känna igen. Bevara en oförändrad kopia av skanningen som jämförelseunderlag. Arbeta på en annan fil och anteckna vilken version som har texttolkats.

I Acrobats aktuella arbetsgång finns igenkänningen under Scan & OCR, Recognize Text och In this file. Välj sidor och språk innan körningen. Att körningen är färdig betyder att en texttolkning har skapats, inte att tolkningen är korrekt eller att dokumentets struktur är färdig.

Jämför igenkänd text med sidbilden, särskilt uppgifter där ett enda tecken ändrar betydelsen. Kontrollera person- och organisationsnamn, datum, belopp, minustecken, decimaler och enheter. I ett beslut kan ”inte” vara viktigare än en hel dekorativ sidrubrik. Bestäm därför granskningsdjup efter konsekvensen av ett fel.

Prova sökning efter ett känt ord och kopiera några svåra rader till en enkel textyta. Det gör dolda fel synliga, men ett stickprov ersätter inte den korrekturläsning som materialets risk kräver. Om 1 har blivit l på en sida kan samma teckensnitt eller skanningskvalitet ha skapat felet på fler ställen.

Gissa inte när förlagan är oläslig. Markera osäkerheten och låt dokumentägaren avgöra innehållet utifrån ett säkrare underlag. Dokumentera korrigeringar som ändrar tolkade siffror eller viktiga ord. Då går det att skilja ett avsiktligt korrektur från ett nytt OCR-fel.

Först när texten är tillräckligt tillförlitlig är det meningsfullt att bygga rubriker, listor och tabellrelationer runt den. En korrekt taggad men felaktig siffra är fortfarande fel information. Avsluta därför med både innehållsgranskning och ett prov av hur det strukturerade dokumentet faktiskt läses.

• Först texttrohet: namn, belopp, datum, minustecken och ordgränser.
• Sedan struktur: rubriker, läsordning, tabeller, länkar och andra innehållsdelar.
• Kontrollera att text inte ligger dubbelt i dokumentet.
• Prova sökning, kopiering och praktisk uppläsning i slutfilen.

Om skanningen är mycket svag eller tabellerna inte går att tolka säkert kan en ny, kontrollerad originalfil vara bättre än fortsatta gissningar. Bevara kopplingen till förlagan och låt dokumentägaren avgöra oklara uppgifter.