OCR لملفات PDF

يخزّن PDF القابل للبحث، ويسمى أحيانًا صورة مع نص، شيئين لكل صفحة: المسح الأصلي كصورة، وطبقة غير مرئية من النص المُتعرَّف عليه موضوعة تمامًا فوق الكلمات المطبوعة. تعرض القارئات الصورة وتستخدم النص للبحث والتحديد والنسخ وقارئات الشاشة. لا يتغير المظهر إطلاقًا، ولهذا تفضّله الأرشيفات ومكاتب المحاماة وإدارات السجلات للورق الممسوح ضوئيًا.

أصبح PDF معيارًا مفتوحًا باسم ISO 32000 في عام 2008، ويُستخدم PDF/A، الملف التعريفي للأرشفة المحدد في ISO 19005، على نطاق واسع للسجلات الممسوحة ضوئيًا التي يجب أن تبقى مقروءة لعقود. يقدّم Adobe Acrobat المهمة نفسها عبر أداة Scan & OCR، وتوفّر كثير من الماسحات المكتبية إخراج "PDF قابل للبحث"؛ والنتيجة هنا ملف PDF عادي يُفتح في أي قارئ.

يكون PDF القابل للبحث الخيار الأنسب عندما يكون المسح نفسه هو السجل: اتفاقية موقّعة أو صك أو تقرير طبي. أما المخرجات الأخرى فتنشئ مستندًا جديدًا من الكلمات المُتعرَّف عليها، وهذا مفيد عند التعديل، لكن النسخة لا تتجاوز دقة التعرف. للحصول على Word من PDF يحتوي أصلًا على نص حقيقي استخدم تحويل PDF إلى Word الذي يقرأ النص الموجود دون OCR؛ وللكلمات فقط فإن تحويل PDF ممسوح ضوئيًا إلى نص مهيأ لذلك.

تضيف طبقة النص حجمًا ضئيلًا إلى الملف، لأن النص صغير جدًا مقارنة بصور الصفحات. إذا كان المسح كبيرًا أصلًا على نموذج الرفع، فنفّذ OCR أولًا ثم اضغط ملف PDF إلى الحجم الذي يسمح به النموذج.