چگونه PDF اسکن‌شده را قابل جست‌وجو و کپی کنیم؟

چگونه PDF اسکن‌شده را قابل جست‌وجو و کپی کنیم؟

همه PDFها یکسان نیستند. بعضی PDFها متن واقعی دارند و با Ctrl+F می‌توان در آن‌ها جست‌وجو یا بخشی از متن را انتخاب کرد؛ بعضی دیگر فقط تصویر اسکن‌شده صفحه‌اند. انتخاب مسیر درست از یک آزمون کوتاه شروع می‌شود، نه از اجرای OCR روی هر فایل.

ابزار OCR فارسی فقط فایل تصویر می‌پذیرد، فارسی و انگلیسی را هم‌زمان می‌خواند و خروجی را برای کپی یا دریافت به‌صورت متن ساده TXT می‌دهد. این ابزار PDF را مستقیم نمی‌پذیرد، زبان جداگانه انتخاب نمی‌کند و لایه متن قابل جست‌وجو به PDF اضافه نمی‌کند.

PDF دارای متن را از PDF اسکن‌شده تشخیص دهید

یک واژه مشخص را با Ctrl+F جست‌وجو کنید. سپس چند خط را با ماوس انتخاب و کپی کنید. اگر متن درست انتخاب می‌شود و کپی آن با صفحه سازگار است، PDF احتمالاً لایه متن دارد؛ در این حالت ابزار استخراج متن PDF می‌تواند متن موجود را بگیرد و نیازی به OCR تصویر نیست.

اگر جست‌وجو نتیجه ندارد یا انتخاب متن ممکن نیست، احتمالاً با اسکن تصویری روبه‌رو هستید و باید مسیر OCR را بررسی کنید.

• جست‌وجوی Ctrl+F را با واژه‌ای که روی صفحه می‌بینید امتحان کنید.
• نتیجه کپی‌شده را با همان سطرهای PDF مقایسه کنید.
• برای PDF دارای متن، ابتدا استخراج متن را انتخاب کنید.

برای اسکن، صفحه را به تصویر و سپس به OCR ببرید

OCR فارسی ورودی PDF ندارد؛ فقط فایل تصویر می‌پذیرد. برای یک PDF اسکن‌شده، صفحه یا صفحه‌های لازم را با ابزار تبدیل PDF به تصویر به PNG یا JPEG تبدیل کنید و سپس هر تصویر را جداگانه در OCR فارسی باز کنید. پیش از زدن دکمه تبدیل، صبر کنید تا نام فایل و تعداد صفحه در ابزار نمایش داده شود. مسیر را صفحه‌به‌صفحه نگه دارید تا بتوانید هر متن را با منبعش مقایسه کنید.

تبدیل PDF به تصویر تنها نمای تصویری صفحه را می‌سازد. نه این تبدیل و نه OCR فارسی، متن قابل جست‌وجو را به همان PDF برنمی‌گردانند. اگر هدف شما PDF دارای لایه متن است، به ابزار جداگانه‌ای نیاز دارید که صریحاً چنین خروجی‌ای می‌سازد و باید نتیجه آن را جداگانه تأیید کنید.

در OCR فارسی، فارسی و انگلیسی به‌صورت خودکار با هم پردازش می‌شوند. نتیجه می‌تواند برای کپی یا متن ساده TXT دریافت شود؛ نام‌ها، شماره‌ها، تاریخ‌ها و عبارت‌های ترکیبی را از روی تصویر صفحه کنترل کنید.

خروجی OCR را برای استفاده واقعی کنترل کنید

پس از استخراج هر صفحه، متن خام را نگه دارید و PDF یا تصویر همان صفحه را کنار آن قرار دهید. نام اشخاص، شماره پرونده، مبلغ، تاریخ، شماره تلفن و کدها را یکی‌یکی کنترل کنید. در سندهای راست‌به‌چپ و چندستونه، ترتیب خط‌ها و جای عبارت‌های انگلیسی معمولاً به بازبینی بیشتری نیاز دارد.

یک PDF را فقط به این دلیل که در ظاهر قابل جست‌وجو به نظر می‌رسد درست فرض نکنید. چند واژه از ابتدا، میانه و انتهای صفحه را با Ctrl+F بررسی کنید و متن انتخاب‌شده را با تصویر همان بخش بسنجید. برای خوانایی، استودیوی نگارش فارسی را فقط بعد از این کنترل به کار ببرید؛ نام، کد، رقم و تاریخ همچنان باید با منبع سنجیده شوند.

• هر TXT را با شماره صفحه منبع نگه دارید.
• نام‌ها، رقم‌ها و تاریخ‌ها را با تصویر صفحه تطبیق دهید.
• ترتیب خطوط و ستون‌ها را با چشم کنترل کنید.
• ترکیب فارسی و انگلیسی را جداگانه بازخوانی کنید.

چک‌لیست اجرایی

• PDF با Ctrl+F و انتخاب متن برای وجود لایه متن بررسی شده است.
• برای PDF دارای متن، استخراج متن PDF پیش از OCR امتحان شده است.
• فقط صفحه‌های اسکن‌شده مورد نیاز به تصویر تبدیل شده‌اند.
• هر خروجی TXT با صفحه یا تصویر منبع قابل ردیابی است.

سوالات متداول

آیا OCR PDF را قابل جست‌وجو می‌کند؟

خیر. OCR فارسی فعلی فقط متن ساده TXT و کپی تولید می‌کند و لایه متن قابل جست‌وجو به PDF اضافه نمی‌کند. ساخت چنین PDFی به ابزار جداگانه و بررسی مستقل نیاز دارد.

چه زمانی تبدیل PDF به تصویر را شروع کنم؟

پس از انتخاب فایل، صبر کنید تا نام فایل و تعداد صفحه در ابزار نمایش داده شود. سپس فقط صفحه‌های اسکن‌شده مورد نیاز را به تصویر تبدیل و نتیجه را پیش از OCR کنترل کنید.

ابزارها و مسیرهای مرتبط

• OCR فارسی برای تصویر
• تبدیل PDF به تصویر
• استخراج متن موجود در PDF
• استودیوی نگارش فارسی
• حریم خصوصی و اعتماد

جمع‌بندی

ابتدا وجود متن داخلی PDF را با جست‌وجو و انتخاب متن بررسی کنید. برای اسکن تصویری، صفحه را به تصویر تبدیل، OCR را اجرا و TXT را با منبع مقابله کنید؛ این روند متن قابل ویرایش می‌سازد، نه PDF دارای لایه متن.

گام بعدی: استخراج متن از تصویر با OCR فارسی و نتیجه را مستقیماً روی دستگاه خود آماده کنید.