OCRmyPDF: Jak przekształcić skanowane dokumenty w przeszukiwalne pliki PDF/A z ekstrakcją tekstu

Narzędzie OCRmyPDF oferuje zaawansowane możliwości przetwarzania dokumentów, przekształcając zeskanowane pliki PDF w przeszukiwalne formaty. Ten przewodnik szczegółowo omawia proces tworzenia samodzielnego przepływu pracy z OCRmyPDF, począwszy od instalacji niezbędnych zależności, aż po zaawansowane techniki optymalizacji i walidacji wyników.

Konfiguracja środowiska i zależności

Pierwszym krokiem jest instalacja wymaganych zależności systemowych i pakietów Pythona. W środowisku Google Colab proces ten obejmuje instalację narzędzi takich jak Tesseract (silnik OCR), Ghostscript (do przetwarzania PDF), unpaper (do czyszczenia skanów), pngquant (do optymalizacji PNG), poppler-utils oraz qpdf. Dodatkowo instalowane są pakiety Pythona: OCRmyPDF, img2pdf i Pillow. Opcjonalnie można również skompilować jbig2enc, co pozwala na zaawansowaną optymalizację plików PDF i redukcję ich rozmiaru. Weryfikacja instalacji obejmuje sprawdzenie wersji Pythona, OCRmyPDF, Tesseracta oraz dostępności innych narzędzi, a także zainstalowanych języków OCR.

Tworzenie syntetycznego dokumentu PDF do testów

Aby przetestować funkcjonalności OCRmyPDF bez konieczności korzystania z zewnętrznych plików, tworzony jest syntetyczny, wyłącznie obrazowy plik PDF. Dokument ten zawiera trzy strony z przykładowym tekstem, z których jedna jest celowo zniekształcona i zaszumiona, imitując typowy skan. Dzięki temu można realistycznie ocenić skuteczność narzędzia w rozpoznawaniu tekstu i poprawianiu jakości obrazu. Plik ten, nazwany scanned_input.pdf, początkowo nie posiada warstwy tekstowej, co oznacza, że jego zawartość nie jest przeszukiwalna.

Podstawowe i zaawansowane przetwarzanie OCR

Po przygotowaniu syntetycznego pliku PDF, demonstrowane są dwa scenariusze przetwarzania OCR:

• Podstawowe OCR: W tym trybie OCRmyPDF przetwarza plik wejściowy, automatycznie korygując przekrzywienie (deskew=True) i obracając strony (rotate_pages=True). Wynikiem jest przeszukiwalny plik PDF (out_basic.pdf), który, choć większy od oryginału, zawiera już warstwę tekstową.
• Zaawansowane OCR: Ten scenariusz wykorzystuje bardziej rozbudowane opcje, takie jak generowanie pliku PDF/A-2 (format archiwizacyjny), optymalizacja obrazu (optimize=3 z ustawieniami jakości dla JPG i PNG), ekstrakcja tekstu do pliku sidecar (ocr_text.txt) oraz dodawanie metadanych dokumentu (tytuł, autor, temat, słowa kluczowe). Wynikowy plik (out_advanced.pdf) jest zoptymalizowany pod kątem rozmiaru i zgodności ze standardami archiwizacyjnymi.

Weryfikacja przeszukiwalności i jakości OCR

Kluczowym etapem jest udowodnienie, że proces OCR faktycznie uczynił dokument przeszukiwalnym. Odbywa się to poprzez:

• Odczytanie tekstu z pliku sidecar, co potwierdza, że OCR poprawnie rozpoznał zawartość.
• Wyodrębnienie osadzonego tekstu z wyjściowego pliku PDF za pomocą narzędzia pdftotext. Porównanie liczby słów w wyodrębnionym tekście z oryginalnym tekstem źródłowym pozwala ocenić dokładność OCR (tzw. word-recall).
• Walidacja wyjściowego pliku PDF pod kątem poprawności struktury (check_pdf) oraz zgodności ze standardem PDF/A (file_claims_pdfa).
• Porównanie rozmiarów plików: oryginalnego, po podstawowym OCR i po zaawansowanym OCR z optymalizacją, co pokazuje efektywność kompresji.

Obsługa wyjątków i trybów przetwarzania

OCRmyPDF oferuje również mechanizmy radzenia sobie z plikami, które już zawierają warstwę tekstową lub wymagają specyficznego podejścia. Próba uruchomienia OCR na pliku, który już ma tekst, domyślnie zakończy się błędem PriorOcrFoundError. Aby to obejść, dostępne są różne tryby:

• --skip-text: Pomija strony, które już zawierają tekst.
• --redo-ocr: Przeprowadza OCR ponownie, nawet jeśli tekst już istnieje.
• --force-ocr: Wymusza OCR, ignorując istniejącą warstwę tekstową.

Te opcje pozwalają na elastyczne zarządzanie procesem w zależności od stanu dokumentów.

OCRmyPDF stanowi potężne narzędzie do digitalizacji dokumentów, umożliwiając nie tylko przekształcanie skanów w przeszukiwalne pliki, ale także ich optymalizację i archiwizację zgodnie z rygorystycznymi standardami. Możliwość ekstrakcji tekstu, walidacji i przetwarzania wsadowego sprawia, że jest to kompleksowe rozwiązanie dla firm i instytucji dążących do efektywnego zarządzania informacją i automatyzacji procesów dokumentowych.

Źródło: marktechpost.com