OCR dan pengambilan teks PDF
Jadikan dokumen pindaian bisa dicari, atau ambil teks darinya.
Mana yang Anda perlukan?
- PDF yang sudah punya lapisan teks, dan Anda ingin mengambil kata-katanya. Ambil teks membacanya langsung, di browser Anda, tanpa tebak-tebakan.
- Hasil pindaian atau foto sebuah halaman. Tidak ada teks di dalamnya untuk diambil. Itu memerlukan OCR terlebih dahulu, yang membaca piksel dan menentukan karakter apa saja itu — setelah itu hasilnya bisa diambil, dicari, dan disalin.
Cara mengetahui jenis yang Anda punya
Buka file dan coba pilih satu baris teks dengan mouse. Jika sorotan biru yang rapi mengikuti kata-katanya, ada lapisan teks dan pengambilan akan berhasil. Jika tidak terjadi apa-apa, atau Anda memilih persegi yang menutupi seluruh halaman seolah-olah satu gambar, itu hasil pindaian.
Tampilan tidak memberi tahu apa pun: pindaian halaman hasil cetak laser bisa tampak lebih bersih di layar daripada dokumen digital sungguhan. Hanya uji pemilihan yang bisa diandalkan, dan itu hanya butuh dua detik.
Sebuah dokumen juga bisa sebagian keduanya — laporan digital dengan lampiran hasil pindaian di bagian akhir sangat umum, dan teksnya bisa diambil dengan sempurna selama empat puluh halaman lalu tidak menghasilkan apa-apa.
Kesalahan yang sering dilakukan
Memercayai hasil OCR tanpa membacanya. OCR adalah tebakan yang sangat bagus, tetapi tetap tebakan. Karakter yang paling sering tertukar justru yang paling penting: 0 dan O, 1 dan l dan I, 5 dan S, 8 dan B. Angka yang salah baca di nomor referensi atau jumlah uang tidak tampak salah di mana pun — kalimatnya tetap terbaca normal — jadi lolos dari pemeriksaan yang akan menangkap kata yang salah eja. Periksa angka satu per satu dengan dokumen aslinya.
Layak dibaca sebelum Anda mulai
Tiga hal yang paling sering membuat orang berharap sudah tahu sebelumnya tentang pekerjaan semacam ini.



