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
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.
Zertan eskaneatu behar dut emaitza onena lortzeko?
+
300 DPI gris-eskalatan puntu egokia da. 200 DPItik behera karaktere-formak hondatzen hasten dira; 400 DPItik gora ia ezer ez duzu irabazten eta fitxategi-tamaina eta prozesamendu-denbora ordaindu behar dituzu.
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 den esateak zehaztasuna hobetzen du asmatzen uzten diozuna baino.
OCR PDFk zerbait balio du?
+
OCR PDF zenbakia libre dago konturik gabe, eta ez da ezer zigiltzen orrialdeetan. Igotako dokumentuak langileetatik ezabatu egiten dira lan-prozesua amaitu ondoren.
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 25 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.
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.
Zergatik MP3 gune batek OCR PDF ostatatzen du?
+
MP3.to audio eramangarria ohikoa egin zuen formatuaren inguruan eraiki zen: unibertsalki erreproduzigarria, ez ikusi egiteko bezain txikia, eta galera moduan, berriro kodetzen jarraitzen baduzu bakarrik axola duena. Audio-lanen klusterra: formatu bat aldatu behar duen pertsonak normalean fitxategia ebaki, leundu edo txikitu behar du saio berean. OCR PDF igoera beraren atzean jartzeak, maiuskulak eta kontu bera erabiltzeak hiru fitxa bat bihurtzen ditu.
Zer egin behar dut emaitzarekin OCR PDF amaitu ondoren?
+
Gune honetako bihurgailuak audioa MP3, WAV, FLAC, M4A, OGG eta Opus formatuen artean mugitzen du, beraz irteera-formatua bukaerara arte utzi dezakezu erabakitzeko, hasieran erabakitzea baino. OCR PDF ondoren egiten bada, aurretik baino, kodeketa behin bakarrik gertatuko da, benetan erabakitako fitxategian, bi aldiz egin ordez.
OCR PDF hemen anai-arreben guneek exekutatzen duten tresna bera da?
+
Motorrak partekatzen dira: ffmpeg-en eraikitze bera, langile berberak, muga berberak. MP3 guneak gehitzen duena bit-tasei buruzko ikuspegi bat da, kodeketa bati aurre egiten dionari buruzkoa eta galdu gabeko bitarteko batek igotzeko denbora merezi duenari buruzkoa. Gune honek izena ematen dion formatuari buruzko gertaera batetik ere abiatzen da: MP3 fotogramak tamaina finkoko blokeak dira, beraz, ebaki bat fotograma baten mugatik pasatzen da eta tarterik gabeko erreprodukzio-markatzaileak ez dira birkodetzean iraungitzen.
Kontu bat behar dut, eta ezer gordetzen da?
+
Konturik ez, eta ez da ezer gordetzen: igoketak langileetatik ezabatzen dira lanaren amaiera gertatu eta gutxira, ez da ezer entzuten eta ez da ezer indexatzen. Kontu libreak historia eta lote-tamainarentzat daude, ez sarbiderako.
