Ένα σαρωμένο έγγραφο PDF μπορεί να μοιάζει με κανονικό αρχείο κειμένου, αλλά στην πραγματικότητα να αποτελείται αποκλειστικά από εικόνες των σελίδων του. Αυτό σημαίνει ότι δεν μπορείτε να επιλέξετε μια παράγραφο, να αναζητήσετε μια λέξη ή να αντιγράψετε ένα απόσπασμα. Η τεχνολογία οπτικής αναγνώρισης χαρακτήρων (OCR) επιτρέπει τη μετατροπή αυτών των εικόνων σε αναγνωρίσιμο ψηφιακό κείμενο.
Η διαδικασία είναι ιδιαίτερα χρήσιμη για παλιά αρχεία, έντυπα έγγραφα, αποκόμματα εφημερίδων, συμβόλαια και υλικό που έχει ψηφιοποιηθεί μέσω σαρωτή.
Πρώτο βήμα είναι η σωστή προετοιμασία. Βεβαιωθείτε ότι οι σελίδες είναι ευθυγραμμισμένες, έχουν επαρκή ανάλυση και δεν παρουσιάζουν έντονες σκιές ή παραμορφώσεις. Ένα καθαρό, ευανάγνωστο πρωτότυπο αυξάνει σημαντικά την ακρίβεια της αναγνώρισης.
Μπορείτε να χρησιμοποιήσετε το Adobe Acrobat. Ανοίξτε το σαρωμένο PDF, επιλέξτε τα εργαλεία Scan & OCR και στη συνέχεια την αναγνώριση κειμένου στο συγκεκριμένο αρχείο. Ορίστε τη γλώσσα του εγγράφου, επιλέξτε τις σελίδες που θέλετε να επεξεργαστείτε και ξεκινήστε τη διαδικασία. Το πρόγραμμα δημιουργεί ένα πρόσθετο επίπεδο κειμένου πάνω από την αρχική εικόνα, ώστε το έγγραφο να παραμένει οπτικά ίδιο αλλά να γίνεται αναζητήσιμο.
Μια δωρεάν εναλλακτική είναι το Tesseract OCR, ένα εργαλείο ανοιχτού κώδικα. Μπορεί να αναγνωρίζει κείμενο από εικόνες και να δημιουργεί αρχεία κειμένου ή αναζητήσιμα PDF. Για ελληνικά έγγραφα πρέπει να είναι διαθέσιμα τα κατάλληλα γλωσσικά δεδομένα και να επιλεγεί η αντίστοιχη γλώσσα.
Το σημαντικότερο στάδιο είναι ο έλεγχος του αποτελέσματος. Το OCR μπορεί να μπερδέψει γράμματα, αριθμούς, τόνους, στήλες ή πίνακες. Ιδιαίτερη προσοχή χρειάζονται τα ονόματα, οι ημερομηνίες και τα ποσά. Συγκρίνετε το παραγόμενο κείμενο με την αρχική σελίδα και διορθώστε τα λάθη.
Κρατήστε πάντα ένα αντίγραφο του πρωτότυπου PDF πριν από την επεξεργασία. Έτσι θα έχετε διαθέσιμη την αρχική εικόνα, ακόμη κι αν η αναγνώριση χρειαστεί να επαναληφθεί.
