1Igo eskaneatutako PDF documents; 300 DPI gris-eskalako eskaneaketa garbi batek ezagutarazleari lan egiteko gehien ematen dio.
2Hizkuntzaren erabilerak, hizkuntzaren erabileraren arabera, berezko hizkuntzaren ezaugarri batzuk ditu, eta hizkuntzaren erabilerak, berriz, hizkuntzaren ezaugarri batzuk.
3Exekutatu ezagutza-pasa; hitzak ikusezin gisa itzultzen dira, jatorrizko orri-irudiaren gainean eserita.
4Deskargatu PDF fitxategi bilagarria — berdina dirudi, baina orain bertan dagoen testua bilatu eta hauta dezakezu.
OCR PDFa Maiz egiten diren galderak
Iturburu-formatuak eragina du ezagutzan?
+
Hala da. PDFak orrialdea finkatzen du: letra-tipoak, bektoreak, raster irudiak eta testuaren koordenatuak izoztuta daude, irakurle guztiek diseinu berdina ikusi dezaten. Orrialdea gordetzeko moduak erabakitzen du zein bereizmen eta kolore informaziorekin lan egin behar duen ezagutarazleak.
Zerbait zehatza hemen PDF-ri buruz?
+
Bai — PDF bat objektu-grafiko bat da, ez orrialde-irudia, beraz testua hautagarria izaten jarraitzen du eta bektoreak zorrotzak izaten jarraitzen du, barruko raster-edukiari gertatzen zaion guztia kontuan hartu gabe. Ezagutzaileak ikusi dezakeena aldatzen du.
Nola bihurtzen du OCR PDFk eskaneatze bat testu bihurtu?
+
Zehazki, orrialde bakoitza errendatzen da, Tesseract testu-ezagutza pasabide batetik pasatzen da 100 hizkuntza baino gehiagotan, eta ezagututako hitzak jatorrizko irudiaren gainean kokatuta dagoen testu ikusezin geruza gisa idazten dira — orrialdeak aldaketarik gabe dirudi, baina bilatu eta hauta daiteke. Orrialdeak lehen bezalako itxura du oraindik — ezagututako testua irudiaren atzean ikusezin dago, bilaketa eta hautapena itxura aldatu gabe egin daitezen.
Zein hizkuntzak ezagutzen ditu?
+
100 baino gehiago, latin, ziriliko, greziar, arabiar, hebreeraz, txineraz, japonieraz, koreeraz eta indiar idazkera barne. Zein hizkuntza espero behar den esateak zehaztasuna hobetzen du asmatzen uzten diozuna baino.
Laster-markak, estekak eta formulario-eremuak iraungo al dute?
+
Eskema, barne-estekak eta oharrak mantentzen dira eragiketak ahalbidetzen duenean. Sinadura digitalak salbuespena dira: fitxategian gertatzen den edozein aldaketak sinadura baliogabetu egiten du, hori baita sinaduraren helburua.
Zer igo dezaket OCR PDF(e)ra?
+
Edozein PDF estandar, eskaner batek, testu-prozesagailu batek edo inprimagailu-kontrolatzaile batek sortutakoak barne. Edizioa mugatzen duen jabearen pasahitza duten fitxategiak kudeatzen dira; erabiltzailearen pasahitza behar duten fitxategiak ez dira kudeatzen, eta ez dugu enkriptazioa apurtzen saiatzen.
Fitxategi-tamainaren mugarik al dago OCR PDF(e)n?
+
Bai: kontu libreek 5 MB dokumentu arte prozesa ditzakete bakoitzak, txosten eta kontratu gehienak estaltzen ditu, baina ez 600 DPI-ko eskaneatutako dokumentu luze bat; Ghostscript eta qpdf-k lan hori egiten dute. Eskaneatutako PDFak dira ohikoenak, eta dokumentua lehenik konprimitzea nahikoa da normalean azpian itzultzeko.
OCR PDFk nire PDF documentsren kalitatea murriztuko du?
+
Testua eta grafiko bektorialak pixelak baino objektuak dira, beraz, edozein zoom-ekin zorrotzak dira, gertatzen dena edozein dela ere. Kapsulatutako raster-irudiak bakarrik degrada daitezke, eta hautatu duzun eragiketak lagin berria ematen badie bakarrik.
Zergatik erabili behar da formatu modernoko gune bat OCR PDF exekutatzen?
+
WEBP.to-k bi lehenespen zaharren ordezkapen modernoa du oinarri: formatu bat galera, galerarik gabeko, alfa eta animazioa egiten dituena, eta fidagarritasunez JPEG edo PNG baino txikiagoa da. Jendea hona iristen da lehenespen zaharrek banda zabalera kobratzen dietela erabakita, eta erabaki horrek berehala sortzen ditu besteak: zein tamaina, zein kalitatea, gardentasunari zer gertatzen zaion. OCR PDF igoera berean eta kontu berean dago, beraz galdera horiek leku batean erantzuten dira.
OCR PDF exekutatu ondoren, zer egin behar da hurrengoan?
+
Webgune honetako bihurgailuak irudiak WebP, PNG, JPG eta AVIF-era eta bertatik mugitzen ditu, eta bertan erabakitzen duzu fitxategi txikiago batek arakatzaile zaharrak galtzea merezi duen ala ez. Ordena horretan egiteak garrantzia du: pixelak aukeratu lehenik eta edukiontzia ondoren, edukiontzia erabaki merkeena delako eta pixelak garestiena.
Zerbait desberdina egiten dute anai-arreben guneek?
+
Motorrak berdinak dira: liburutegi bera, langile bera, maiuskula bera. Bestelakoak dira erantsitako iritziak, eta iritzi hau gune honek izena duen formatua duen propietate batean oinarritzen da: .webp luzapena bera VP8 fotograma galdu bat, galdu gabekoa edo animazio bat eduki dezake, beraz prozesamendu bidea fitxategiz fitxategi erabakitzen da luzapenaz luzapena baino.
Zer gertatzen da nire fitxategiarekin, eta kontu bat behar da?
+
Konturik ez, eta ez da ezer gordetzen: igoketak langileetatik ezabatzen dira lanaren amaiera gertatu eta gutxira, eta ez da ezer aztertzen, zerrendatzen edo indexatzen. Kontuak historia eta lote-tamainarentzat bakarrik daude.
