OCR PDF

PDF قابل جست‌وجو که گاهی «تصویر به‌علاوهٔ متن» نامیده می‌شود، برای هر صفحه دو چیز نگه می‌دارد: اسکن اصلی به‌صورت تصویر و یک لایهٔ نامرئی از متن تشخیص‌داده‌شده که دقیقاً روی کلمه‌های چاپی قرار می‌گیرد. نمایشگرها تصویر را نشان می‌دهند و از متن برای جست‌وجو، انتخاب، کپی و صفحه‌خوان استفاده می‌کنند. ظاهر هیچ تغییری نمی‌کند و برای همین آرشیوها، دفاتر حقوقی و بایگانی‌ها آن را برای کاغذهای اسکن‌شده ترجیح می‌دهند.

PDF در سال 2008 به استاندارد باز ISO 32000 تبدیل شد و PDF/A، نمایهٔ آرشیوی تعریف‌شده در ISO 19005، برای اسناد اسکن‌شده‌ای که باید دهه‌ها خوانا بمانند بسیار استفاده می‌شود. Adobe Acrobat همین کار را با ابزار Scan & OCR انجام می‌دهد و بسیاری از اسکنرهای اداری خروجی «PDF قابل جست‌وجو» دارند؛ نتیجه در اینجا یک PDF معمولی است که در هر نمایشگری باز می‌شود.

وقتی خود اسکن همان سند رسمی است، PDF قابل جست‌وجو انتخاب درستی است: قرارداد امضاشده، سند مالکیت، گزارش پزشکی. خروجی‌های دیگر از کلمه‌های تشخیص‌داده‌شده سند جدید می‌سازند که برای ویرایش مفید است، اما کپی فقط به اندازهٔ دقت تشخیص خوب است. برای گرفتن Word از PDFی که متن واقعی دارد از تبدیل PDF به ورد استفاده کنید که متن موجود را بدون OCR می‌خواند؛ برای فقط کلمه‌ها، تبدیل PDF اسکن‌شده به متن آماده است.

لایهٔ متنی حجم فایل را کم افزایش می‌دهد، چون متن در برابر تصویر صفحه‌ها بسیار کوچک است. اگر اسکن از قبل برای فرم بارگذاری زیادی بزرگ بود، اول OCR بزنید و بعد حجم PDF را کم کنید تا به اندازهٔ مجاز فرم برسد.