Apakah PDF ini hasil pindaian atau berisi teks?
Bagaimana cara mengetahui apakah PDF hasil pindaian?
Simpan alat favorit Anda
Buat akun iBuildPDF gratis untuk menyimpan alat favorit Anda dan menemukannya dengan cepat kapan saja.
Akun gratis. Alat PDF-nya sendiri tidak pernah memerlukan akun.
Jawaban singkat
Coba pilih sebuah kata dengan kursor. Jika teksnya tersorot, file itu berisi teks sungguhan. Jika yang muncul justru kotak pilihan di atas gambar, halaman itu adalah gambar dan file itu sama sekali tidak berisi teks. Keduanya tampak sama persis di layar tetapi berperilaku sangat berbeda di setiap alat yang Anda gunakan.
Uji dua detik
Buka file dan coba pilih sebuah kata dengan menyeret kursor.
- Katanya tersorot — ada lapisan teks. Pencarian, penyalinan, dan konversi semuanya akan berhasil.
- Yang terseret justru persegi di atas halaman, tanpa memilih apa pun — halaman itu satu gambar utuh. Tidak ada teks yang bisa ditemukan.
Pemeriksaan kedua: tekan Ctrl+F (Cmd+F) dan cari kata yang jelas terlihat. Jika kata yang tampak di layar tidak ditemukan, berarti tidak ada lapisan teks.
Halaman yang sama, dengan dan tanpa teks
- PDF digital. Di layar, tidak bisa dibedakan dari yang di sebelah kanan.
- Di baliknya: kode-kode karakter, masing-masing dengan font dan posisi. Bisa dicari, dipilih, dan dikonversi.
- PDF hasil pindaian. Halaman yang sama, dan tampilan yang sama.
- Di baliknya: kisi sampel terang dan gelap. Tidak ada huruf, tidak ada kata, tidak ada yang bisa dicari.
Kedua halaman di atas adalah halaman yang sama, dan di layar keduanya tidak bisa dibedakan. Di baliknya, yang satu adalah rangkaian kode karakter beserta posisi dan font; yang lain adalah kisi sampel terang dan gelap yang kebetulan tampak seperti tulisan bagi mata manusia. Tidak ada apa pun di halaman kedua yang tahu bahwa ia berisi huruf.
Jika Anda tidak ingin memicingkan mata: proses file dengan PDF ke teks. File hasil pindaian akan kembali kosong atau hampir kosong, dan itulah jawabannya.
Mengapa ini mengubah semua langkah berikutnya
Hampir setiap keluhan tentang alat PDF bermuara pada perbedaan ini.
- Konversi ke Word dan Anda mendapat foto. Bukan bug, dan bukan sesuatu yang bisa diperbaiki konverter yang lebih baik: memang tidak ada teks di file itu untuk dikonversi. Konverter dengan setia memindahkan apa yang ada, yaitu dua gambar.
- Pencarian tidak menemukan apa pun, baik di file itu maupun di sistem apa pun yang mengindeksnya.
- Salin dan tempel tidak menghasilkan apa-apa.
- Kompresi berperilaku berbeda. Hasil pindaian adalah data gambar, jadi responsnya bagus terhadap kompresi gambar dan sama sekali tidak terhadap trik yang mengecilkan teks — itulah sebabnya sebagian file menolak mengecil sementara hasil pindaian biasanya mengecil.
- Menyensor adalah pekerjaan yang berbeda. Tidak ada teks yang bisa dihapus, hanya piksel yang bisa ditimpa warna — tetapi gambar aslinya masih ada di bawahnya kecuali alatnya membangun ulang halaman.
- Pembaca layar sama sekali tidak mendapat apa-apa. Bagi teknologi bantu, dokumen hasil pindaian adalah halaman kosong.
Apa yang dilakukan OCR untuk mengatasinya
Pengenalan karakter optik melihat gambarnya, menentukan bentuk mana yang merupakan huruf, lalu menulis lapisan teks di bawah gambar. Halamannya tetap tampak sama persis — Anda masih melihat pindaiannya — tetapi kini ada teks yang bisa dicari, dipilih, dan disalin, tersembunyi di belakangnya.
Itulah operasi yang dilakukan OCR PDF, dan itulah langkah yang harus didahulukan. Jalankan OCR, lalu konversi, cari, atau ambil teksnya; alat-alat yang tidak berguna pada file asli akan berfungsi pada hasilnya.
Bahasa ternyata lebih penting daripada yang diduga orang. OCR memutuskan di antara bentuk-bentuk yang mirip dengan memakai model tentang rupa kata dalam bahasa tertentu, jadi membaca dalam bahasa yang salah jelas menambah kesalahan — dan untuk bahasa Arab, Tionghoa, atau Yunani, bahasa yang salah menghasilkan teks tak bermakna, bukan sekadar kekeliruan. Karena itu bahasa setiap halaman dideteksi secara otomatis sebelum dibaca.
Yang tidak bisa diperbaiki OCR
OCR adalah pengenalan, dan pengenalan bisa keliru. OCR sangat baik pada pindaian 300 DPI yang bersih dan lurus dari teks cetak biasa. Kualitasnya menurun pada semua hal lain, dan OCR tidak memberi tahu saat sedang menebak.
- Tulisan tangan sebagian besar di luar kemampuannya.
- Pindaian beresolusi rendah — di bawah sekitar 200 DPI — kehilangan detail yang membedakan huruf-huruf yang mirip.
- Halaman yang miring, berbayang, atau difoto hasilnya jauh lebih buruk daripada pindaian flatbed.
- Tabel dan tata letak berkolom bisa terbaca dalam urutan yang salah, karena urutan baca harus disimpulkan dari posisi.
- Stempel, tanda tangan, dan coretan tangan di atas teks cetak mengacaukan bentuk huruf di bawahnya.
Jadi perlakukan hasil OCR sebagai salinan yang bisa dicari, bukan transkripsi yang sudah diverifikasi. Untuk apa pun yang bermasalah jika satu angka salah — total faktur, dosis obat, rujukan hukum — bacalah teks yang dikenali sambil membandingkannya dengan gambar sebelum mengandalkannya. OCR atau PDF ke Word? membahas mana di antara keduanya yang sebenarnya Anda butuhkan.
Alat yang dibahas artikel ini
Sumber
Dokumentasi utama untuk klaim di atas.



