OCR em plantas PDF digitalizadas | Guia PolyPDF

Abra o PDF e tente selecionar uma palavra com a ferramenta de seleção de texto. Em seguida, pesquise um título ou nota de planilha óbvia. Se você puder selecionar caracteres individuais e a pesquisa já os encontrar, a página terá uma camada de texto; OCR pode adicionar texto duplicado ou com ruído em vez de ajudar. Se a seleção tratar a página como uma imagem e a pesquisa não retornar nada, é um bom candidato para OCR.

OCR altera a capacidade de descoberta do texto, não a geometria do desenho. Ele não calibra a planilha, não valida dimensões nem confirma se uma nota foi reconhecida corretamente.

1. Duplique o PDF de origem ou use Salvar como para que a digitalização original permaneça intacta.
2. Feche documentos grandes não relacionados se a digitalização for longa ou com muitas imagens e abra a cópia de trabalho.
3. Escolha Documento › OCR. OCR é iniciado para o documento atual; a caixa de diálogo atual não oferece um intervalo de páginas ou seletor de idioma.
4. Mantenha a caixa de diálogo aberta para observar o progresso ou feche-a se quiser que a execução continue em segundo plano. Escolha Cancelar OCR quando precisar parar; uma execução cancelada descarta seu resultado.
5. Aguarde a mensagem de conclusão antes de julgar a pesquisa. Grandes digitalizações e conjuntos de construção podem levar tempo.
6. Salve o documento reconhecido com um nome de arquivo distinto, feche-o e reabra o arquivo salvo.
7. Pesquise vários termos em páginas diferentes e copie passagens curtas em texto simples para inspecionar a qualidade do reconhecimento.

Desde o PolyPDF 1.4.4, o OCR também cria um modelo de sessão atual de programações prováveis, campos de bloco de título, desenhos e rótulos de detalhes, dimensões, regiões, linhas e células. Isso é útil para revisão e entrega de planilhas, mas ainda é inferido a partir de pixels de página e texto selecionável – e não de um banco de dados de programação oficial.

1. Conclua a execução do OCR e inspecione os nomes, títulos, linhas e dimensões das tabelas reconhecidas.
2. Escolha Arquivo › Exportar › Pasta de trabalho do Excel (tabelas + texto)… enquanto a sessão do documento reconhecido permanece aberta.
3. Salve a pasta de trabalho com um nome vinculado ao desenho e problema de origem.
4. Abra a pasta de trabalho e compare quantidades críticas, dimensões, tags e células de cronograma com o PDF visível.
5. Trate células mescladas, linhas esmaecidas, caligrafia, rótulos girados e linhas densas como áreas de revisão de alto risco.

O modelo de tabela estruturada são dados de sessão. Salvar e reabrir preserva a camada pesquisável do PDF, mas você não deve presumir que o modelo de tabela inferido ainda estará disponível, a menos que você execute o OCR novamente. Exporte a pasta de trabalho antes de fechar a sessão.

A disponibilidade do reconhecimento vem do sistema operacional e do suporte a idiomas instalado, portanto, os idiomas oferecidos por um computador Mac ou Windows podem ser diferentes de outro. A atual camada pesquisável incorporada do PolyPDF é limitada a scripts latinos, gregos e cirílicos. O sistema operacional pode reconhecer texto em scripts adicionais, mas o PolyPDF não promete incorporar esses caracteres como uma camada pesquisável no PDF.

• Trate os blocos de título com scripts mistos como um caso de revisão especial.
• Instale e ative o suporte ao idioma do sistema operacional necessário antes do início do projeto e teste com uma página representativa.
• Não infira que um nome de idioma exibido garante precisão igual em fontes, qualidade de digitalização, rotações ou notas manuscritas.
• Quando o PolyPDF relatar que o texto reconhecido não pode ser incorporado, use qualquer exportação de texto oferecida como auxílio de revisão, não como prova de que o próprio PDF pode ser pesquisado nesse script.

Um teste de pesquisa geral pode passar enquanto os identificadores necessários ainda falham. Construa um pequeno conjunto de verificação a partir do documento: um número de folha, um nome de sala, uma abreviatura de material, uma dimensão e uma nota contendo pontuação. Pesquise cada valor exatamente e tente um fragmento distinto. Inspecione os resultados verdadeiros e os locais óbvios que a pesquisa não encontrou.

• Espere confusão entre formas semelhantes, como O e 0, I e 1, S e 5, ou pontos decimais e ruído de varredura.
• Notas giradas, fontes condensadas, impressões diazo desbotadas, digitalizações distorcidas e linhas cruzadas de texto são entradas mais difíceis.
• Nunca copie uma dimensão, quantidade, etiqueta de equipamento ou valor de especificação derivado de OCR em um trabalho posterior sem compará-lo com a imagem da página.
• Os resultados da pesquisa são uma ajuda à navegação. O desenho visível continua sendo a fonte que deve ser revista.

A página NACA mostrada aqui é uma varredura raster sem texto extraível antes do OCR: a pesquisa em SURFACE retorna “Sem correspondências”. Após a execução de todo o documento, salvamos o resultado, saímos do PolyPDF, reabrimos o PDF salvo e repetimos a mesma pesquisa. PolyPDF retornou três resultados e selecionou uma ocorrência “Superfície do navio” no desenho.

Copiar o texto do PDF salvo retorna “RELATÓRIO DO COMITÊ CONSULTIVO NACIONAL PARA AERONÁUTICA”, “Superfície do navio” e “US Akron”. O mesmo texto também contém erros em pequenos rótulos em itálico e notação de dimensão, portanto, use ocorrências de OCR para navegação e compare cada identificador, nota ou medida consequente com a digitalização visível.

• OCR é um reconhecimento de melhor esforço, não uma garantia de transcrição ou serviço de validação de desenho.
• Uma camada de texto pesquisável não torna o PDF acessível. A ordem de leitura, os títulos, o texto alternativo, os rótulos dos formulários e outras estruturas de acessibilidade requerem revisão separada.
• OCR não remove pixels confidenciais. Se uma digitalização precisar remover conteúdo de PDF confidencial, use um fluxo de trabalho de remoção de conteúdo de PDF sensível com reconhecimento de imagem e verifique a saída.
• O reconhecimento é executado localmente por meio dos recursos da plataforma, mas a disponibilidade e os resultados do idioma do sistema operacional podem diferir entre computadores.
• Uma barra de progresso concluída significa que a execução terminou. Isso não significa que todas as palavras foram encontradas ou incorporadas corretamente.

Para trabalhos consequentes, defina o uso aceitável antes de executar o OCR: a navegação e a descoberta são razoáveis; a extração não revisada de dimensões, quantidades ou linguagem de conformidade não é.