როგორ დავაკოპიროთ ტექსტი დასკანერებული PDF-იდან ან ფოტოდან (ქართული, ინგლისური, რუსული)

ჯერ გაარკვიეთ: სკანია თუ ნამდვილი ტექსტი?

გახსენით PDF ბრაუზერში ან PDF-ის მნახველში და მაუსით სცადეთ წინადადების მონიშვნა.

• ტექსტის მონიშვნა გამოდის. PDF-ში უკვე ნამდვილი ტექსტია, ამიტომ OCR არ გჭირდებათ. უბრალო ტექსტისთვის გამოიყენეთ PDF ტექსტად, რედაქტირებადი დოკუმენტისთვის კი PDF-დან Word-ში.
• ვერაფერს ნიშნავთ, ან მთელი გვერდი ერთ ბლოკად ინიშნება. ეს ტექსტის სურათია — სკანი ან ფოტო — და სწორი ხელსაწყო OCR-ია.

ფოტოს ან დასკანერებული PDF-ის წაკითხვა OCR-ით

1. გახსენით სურათიდან ტექსტი და დაამატეთ ფოტოები, ეკრანის სურათები ან დასკანერებული PDF (ერთდროულად 50 გვერდამდე).
2. მონიშნეთ ენები, რომლებიც ნამდვილად არის ტექსტში. ქართული და ინგლისური ნაგულისხმევად ჩართულია; რუსულიც ხელმისაწვდომია და შერეული გვერდებიც მუშაობს.
3. დააჭირეთ ტექსტის ამოღებას. PDF-ის შემთხვევაში თითოეული გვერდი სურათად გადაიქცევა და წაიკითხება, ტექსტი კი გვერდების მიხედვით იქნება დასათაურებული.
4. დააკოპირეთ შედეგი ან ჩამოტვირთეთ .txt ფაილად.

პირველად გამოყენებისას OCR-ის ძრავა და ენების მოდელები ბრაუზერში ჩამოიტვირთება (5–10 მბ, შემდეგ ინახება). ამის შემდეგ ამოცნობა თქვენს მოწყობილობაზე მუშაობს, ამიტომ პირადობის მოწმობები, ხელშეკრულებები და სხვა პირადი ქაღალდები არასოდეს იტვირთება.

როგორ მივიღოთ უკეთესი შედეგი

OCR იმდენად კარგია, რამდენადაც კარგია სურათი, რომელსაც კითხულობს. რამდენიმე ჩვევა დიდ განსხვავებას ქმნის:

• გადაიღეთ პირდაპირ. ტელეფონი გვერდის პარალელურად დაიჭირეთ და არა კუთხით; ასევე თავი აარიდეთ წიგნის ხერხემალთან მოღუნულ გვერდებს.
• გამოიყენეთ თანაბარი განათება. ტექსტზე გადაფენილი ჩრდილები შეცდომების ყველაზე ხშირი მიზეზია. კარგად მუშაობს ფანჯრიდან შემოსული დღის სინათლე.
• დაასკანერეთ 300 DPI-ზე, თუ სკანერი გაქვთ. დაბალი გარჩევადობა წვრილ ასოებს ბუნდოვანს ხდის, გაცილებით მაღალი კი მხოლოდ ფაილს ანელებს.
• ზედმეტი მოაშორეთ. წაკითხვამდე სურათის ამოჭრით მოაცილეთ ჩარჩოები, თითები და მაგიდა.
• მონიშნეთ მხოლოდ საჭირო ენები. ქართულ-ინგლისურ გვერდს უკეთ ამოიცნობს, თუ მონიშნულია ზუსტად ეს ორი ენა და არა ყველა.

დაბეჭდილ ტექსტს ბევრად უკეთ კითხულობს, ვიდრე ხელნაწერს ან დეკორატიულ შრიფტებს, რომლებიც ნებისმიერი OCR ძრავისთვის რთულია.

გადაამოწმეთ დაკოპირებული ტექსტი

სუფთა OCR-საც კი აქვს მცირე შეცდომები. ერთხელ წაიკითხეთ შედეგი ორიგინალთან შედარებით და განსაკუთრებით ყურადღებით შეამოწმეთ რიცხვები, სახელები, თარიღები და თანხები — შეცვლილი ციფრი ჩვეულებრივ ტექსტს ჰგავს და ადვილად რჩება შეუმჩნეველი. ცხრილები ტექსტის სტრიქონებად გამოდის და არა ცხრილად, ამიტომ მათი ხელახლა აწყობა მოგიწევთ.

ძველი ქართული PDF-ები, რომლებიც ლათინურ ასოებად იქცევა

წლების წინ შექმნილი ქართული დოკუმენტების უმეტესობა ძველ შრიფტებს, მაგალითად AcadNusx-ს, იყენებდა. PDF ეკრანზე სწორად გამოიყურება, მაგრამ მასში შენახული სიმბოლოები ლათინური ასოებია, ამიტომ ტექსტის დაკოპირებით „საქართველოს“ ნაცვლად ლათინურ ასოებს, მაგალითად „saqarTvelo“-ს, მიიღებთ. ეს სკანი არ არის: ტექსტი ნამდვილია, უბრალოდ ძველებურად არის კოდირებული.

დააკოპირეთ, ჩასვით AcadNusx → Unicode გადამყვანში და ჩვეულებრივ ქართულ ტექსტს დაგიბრუნებთ.

რომელი ხელსაწყო რომელი ფაილისთვის?

ხშირად დასმული კითხვები