Что такое язык OCR?
Язык OCR — это язык, то есть система письма, на котором, по ожиданию программы распознавания, написана отсканированная страница. Скан — всего лишь изображение, а распознавание превращает его формы в текст. Зная язык, программа сужает набор возможных букв и слов, и результат получается точнее.
Как это работает
Сначала распознавание находит строки текста, затем определяет каждый символ. Это определение не происходит в отрыве от контекста: его сверяют с допустимыми сочетаниями букв в данном языке. Если буква размыта, программа выберет ту, что подходит слову, а не ту, что просто похожа по форме. Без правильного языка такая помощь пропадает, и остаётся только форма. Язык определяет и сами существующие символы. Страницам на арабском, корейском или кириллице нужна модель для этой письменности: модель только для латиницы не может выдать такие буквы и подставляет похожие знаки. Сложнее всего страницы с двумя языками, например договор на русском с английскими пунктами; места, где встречается второй язык, нужно проверять.
Почему это важно
Неверный язык — самая частая причина того, что скан превращается в бессмысленный набор знаков. Ошибаются не несколько букв: целые слова становятся чужими символами, поиск не находит ничего, а копирование бесполезно. Страдают и мелкие детали, например ударения и диакритика, поэтому результат может выглядеть правильным, но менять смысл слова. Выбор языка — небольшой шаг, который избавляет от большой правки потом. Если язык документа неизвестен, например файл пришёл из-за границы, лучше сначала определить его, чем несколько раз повторять распознавание. Важно и качество скана: чёткая прямая страница с верным языком даёт лучший результат, а наклонные, размытые и малоразрешённые страницы оставляют ошибки.
Что можно сделать в AuraDoc
OCR для PDF читает страницы отсканированного файла и добавляет текстовый слой за изображением, поэтому файл становится доступным для поиска, а текст можно выделять. Определение языка PDF помогает узнать язык документа до начала работы. Текстовый слой сохраняется в новой копии, а исходный файл остаётся таким, каким вы его загрузили. Распознавание не безошибочно, поэтому важные имена, числа и даты проверяйте, прежде чем на них полагаться.
Инструменты, которые используют этот термин
Руководства, где он применяется
- Сделать скан PDF доступным для поискаПошагово: выровняйте страницы скана, запустите OCR, чтобы искать и копировать текст, затем уменьшите файл для хранения или отправки.
- Проверка языка документаПошагово: определите язык PDF, посмотрите долю каждого языка в смешанном документе и подготовьте скан к определению.
Частые вопросы
- Какой язык выбрать, если на странице два языка?
- Выберите язык, на котором написана основная часть текста, а остальное проверьте позже. Короткие фразы на другом языке обычно распознаются нормально, а длинные абзацы на втором языке чаще всего содержат ошибки.
- Работает ли распознавание, если язык неизвестен?
- Попробовать можно, но результат обычно хуже, особенно для похожих букв и нелатинских систем письма. Указанный язык подсказывает, какую из похожих форм выбрать.
- Меняет ли смена языка вид страницы?
- Нет. Язык влияет только на невидимый текстовый слой. Изображение отсканированной страницы остаётся прежним, меняются лишь поиск и выделение.