OCR PDF yoxlaması: skandakı mətnlə çıxarışı tutuşdurun

OCR nədir və hansı problemi həll edirik?

OCR “simvolların optik tanınması” deməkdir: şəkil kimi saxlanmış yazını seçilə və axtarıla bilən mətnə çevirmək üsuludur. Skan edilmiş səhifə gözünüzə aydın görünə bilər, amma həmin yazını seçəndə heç nə köçməyə bilər. Başqa halda isə mətn köçürülür, lakin şəkildəki hərflə eyni olmur. Buna görə “fayl açılır” və “mətni düzgün çıxarmaq olur” ayrı nəticələrdir.

Bu yazıda hesabatın mənasını təhlil etmirik. Məqsəd bir səhifədən götürülən üç sahəni mənbə şəkli ilə tutuşdurmaqdır. Məhsul kodunu, tarix sətrini və məbləği seçə bilərsiniz. Yekunda hansı çıxarışın düzəldildiyi, hansının oxunmadığı görünən kiçik yoxlama vərəqiniz olacaq. Bütün sənədin düzgünlüyünü təsdiqləməyəcəksiniz.

W3C-nin PDF7 izahı skan şəklini həqiqi mətnlə ayırır. Mətnin yaranması əlçatanlığın bütün tələblərinin tamamlanması demək deyil. Buradakı sınaq da ekranoxuyucu uyğunluğu barədə sertifikat vermir. Sadəcə seçdiyiniz sahələrdə görünən yazı ilə köçürülən yazının uyğunluğunu yoxlayırıq.

Daha geniş kontekst üçün süni intellekt bələdçisinə baxın. AI süni intellektin ingiliscə qısaltmasıdır. OCR nəticəsini sonradan AI-a versəniz belə, ilkin rəqəmin səhv çıxarılması ayrıca problemdir. Modelin səlis cavabı bu səhvi aradan qaldırmır.

Bir səhifəni sınağa necə hazırlayaq?

İlk iş üçün məxfi məlumat olmayan, istifadə etməyə haqqınız çatan səhifə seçin. Sənədin orijinalını ayrıca saxlayın. İş nüsxəsinə fərqli ad verin, məsələn, mehsul-siyahisi-ocr-sinaq.pdf. Əsl sənədin üzərinə yazmaqla onun əvvəlki görünüşünü itirməyin. Bu, xüsusən qiymət və kodları sonradan tutuşduranda vacibdir.

Windows-da Start menyusunda Notepad axtarın, tətbiqi açın və yeni boş sənəd yaradın. PDF-də bir sətri siçanla seçib köçürün, sonra həmin sənədə yapışdırın. Sətir ümumiyyətlə seçilmir, bütün səhifə şəkil kimi tutulur, yoxsa mətn çıxır? Müşahidəni yazın. Seçilməyən yazını dərhal OCR xətası adlandırmayın. Faylın quruluşu və icazələri də araşdırılmalı ola bilər. İcazə məhdudiyyətini keçməyə çalışmayın.

Yoxlanacaq üç sahəni əvvəlcədən göstərin. Məsələn, birinci səhifədə ikinci məhsulun kodu, onun tarixi və qiyməti. Səhifədə çap edilmiş nömrə ilə proqramdakı sıra fərqlidirsə, hər ikisini qeyd edin. “İkinci sətir” təkbaşına qeyri-dəqiq ola bilər: başlıq və boş sətirlər başqa adamın sayını dəyişir.

Faylı başqa adama verməzdən əvvəl əlavə və keçid üzrə giriş yoxlamasını ayrıca aparın. Mətnin çıxarılması alıcının fayla girişini, paylaşım hüququnu və sənədin son versiya olmasını sübut etmir.

OCR işləyəndən sonra nəyi tutuşduraq?

Mövcud Acrobat girişinizdə bu funksiya varsa, skan PDF-ni açıb Edit seçimi ilə OCR işlədə bilərsiniz. Adobe çıxarılan yazının dəqiqliyini yoxlamağı tövsiyə edir. Alət sizdə görünmürsə, sınaq üçün abunə almaq məcburi deyil. Mövcud proqramınızın OCR imkanını yoxlayın və ya mətnli ilkin sənədi sahibindən istəyin.

Yalnız mətn qatını əldə etmək üçün orijinaldakı qiymət və tarixi dəyişməyin. Səhv çıxarışı düzəltmək, kommersiya sənədinin məzmununu dəyişmək deyil. Qeydinizdə mənbədə görünən dəyəri və çıxarışdakı dəyəri ayrı sütunlarda saxlayın. Mənbədəki yazı bulanıqdırsa, daha keyfiyyətli nüsxə istəyin; ehtimal etdiyiniz rəqəmi daxil etməyin.

Eyni sahəni əvvəl şəkildə oxuyun, sonra mətn redaktoruna köçürün. Hərflərin oxşarlığına, sıfırla O hərfinə, birlə l hərfinə, vergül və nöqtəyə diqqət edin. Bunlar bu məşq üçün yoxlama istiqamətləridir, konkret proqramın səhv faizi barədə iddia deyil. Görmədiyiniz xətanı nümunədə olduğu üçün öz sənədinizə yazmayın.

Üç sahə üçün hazır müqayisə cədvəli

Aşağıdakı məlumatlar uydurma təlim nümunəsidir. Real təchizatçı, ölçülmüş OCR sınağı və ya Anarın müştəri nəticəsi deyil. “Çıxarış” sütunu qəsdən fərqli verilib ki, hansı qərarın nəyə əsaslandığı görünsün. Öz faylınızda müşahidə etdiyiniz dəyərləri yazacaqsınız.

Birinci sətirdə düzəliş AB-010, üçüncü sətirdə 12,50 AZN olur. Tarix uyğun gəldiyi üçün bütün səhifəyə “düzgündür” yazmırıq. Nəticə yalnız yoxlanmış üç sahəyə aiddir. Başqa məhsullar və arxa səhifə yoxlanmayıbsa, onların vəziyyəti açıq qalır.

Fərqin yanına növbəti addımı yazın: çıxarışdakı dəyəri düzəltmək, yeni skan istəmək və ya aidiyyəti şəxsdən aydın mənbə almaq. Qiyməti yalnız şəkildən oxumaq çətindirsə, “12,50 olmalıdır” qənaəti verməyin. Nümunədə aydın verilmiş dəyər sizin real qeyri-müəyyən sahəniz üçün sübut deyil.

AI-a göndərməzdən əvvəl hansı qeydi saxlayaq?

Anarın açıq PDF təhlili yazısında tövsiyə etdiyi üsul cavabı mənbə səhifəsi ilə tutuşdurmaq və açıq qalanları gizlətməməkdir. Burada həmin ictimai redaksiya yanaşmasını bir addım əvvələ, faylın öz mətn çıxarışına tətbiq edirik. Bu, yeni müştəri işi gördüyümüz və ya Acrobat-ı Anarın adından sınaqdan keçirdiyimiz iddiası deyil.

Claude ilə PDF sənəd təhlili yazısındakı yoxlama sonrakı mərhələdir. Əvvəl bu vərəqi tamamlayın:

Fayl və nüsxə adı:
Səhifə və dəqiq yer:
Şəkildə görünən dəyər:
Köçürülən mətn:
Nəticə: uyğundur / fərq var / oxunmur
Düzəldilmiş çıxarış:
Yoxlanmamış hissələr:
Növbəti addım və məsul şəxs:

AI-dan kömək istəyirsinizsə, yalnız paylaşılmasına icazə verilən mətnlə işləyin. Tapşırığınız belə ola bilər: “Bu mətn çıxarışında mümkün kod və rəqəm uyğunsuzluqlarını sual kimi siyahıla. Görmədiyin orijinalı yoxlamış kimi danışma. Dəyəri özündən tamamlamadan hansı sahəyə baxmalı olduğumu göstər.”

Bu prompt vizual tutuşdurmanı əvəz etmir. Model AB-O10 kodunun səhv olduğunu yalnız görünüşə görə bilə bilməz; O həqiqətən məhsul kodunun hissəsi də ola bilər. Qərar mənbədəki yazı ilə verilir. AI təklifini yoxlanmış düzəlişlə eyni sütunda saxlamayın.

Təklifləri bir-biri ilə müqayisə edəcəksinizsə, yalnız bundan sonra təchizatçı müqayisə cədvəlinə keçin. Məbləğlə vahidi düz çıxarmadan ən ucuz təklifi seçmək düzgün başlanğıc deyil.

15 dəqiqəlik işi nə vaxt bitmiş sayaq?

İlk üç dəqiqəni səhifə və üç sahə seçiminə ayırın. Sonrakı beş dəqiqədə mətnin seçilib-seçilmədiyini və çıxarışın necə göründüyünü yoxlayın. Daha dörd dəqiqədə hər sahəni şəkillə tutuşdurun. Son üç dəqiqədə qeydi saxlayıb yenidən açın. Bu vaxt bölgüsü tövsiyədir, ölçülmüş istifadəçi testi deyil.

Mətn redaktorunda qeydi yazın. Ctrl+S basın, Documents qovluğunu seçin və faylı ocr-yoxlama-v1.txt adı ilə saxlayın. Redaktoru bağlayın. File Explorer-də Documents qovluğunu açıb həmin faylı iki dəfə klikləyərək yenidən açın. Səhifə istinadı, orijinal dəyər, köçürülən dəyər və qərar hələ ayrıdırmı? Qeyd başqa gün açıldıqda hansı rəqəmin mənbədən, hansının çıxarışdan gəldiyi aydın qalmalıdır.

Sınaq yalnız bir səhifədə baş tutubsa, bunu yekunda açıq yazın. Yeni skan istəmisinizsə, işi “tamamlandı” yox, “mənbə gözlənilir” kimi qeyd edin. Tamamlama meyarı hər xananın dolması deyil; məlum olanın, düzəldilənin və hələ oxunmayanın dürüst ayrılmasıdır.

Ardıcıl sənəd işi çoxalanda sənəd emalının avtomatlaşdırılması planına baxa bilərsiniz. Əvvəl əl ilə yoxlanan qaydanı sabitləşdirin. Yoxlanmamış OCR çıxarışını sürətlə başqa cədvələ köçürmək sadəcə səhvi daha uzağa daşıya bilər.