Langsung ke konten utama
PulsarKit

Mengubah tumpukan halaman hasil scan jadi PDF yang bisa dicari

Kamera ponsel dan scanner flatbed menyelesaikan dua masalah yang berbeda, dan tak satu pun dengan sendirinya membuat hasilnya bisa dicari.

Oleh PulsarKit · ·

Foto halaman bukanlah hasil scan

Bila dipegang di atas meja, kamera ponsel melihat trapesium, bukan persegi panjang, dan merekam warna ruangan bersama halaman itu, bukan putih bersih kertasnya. Untuk mengubah foto itu menjadi sesuatu yang terlihat seperti hasil scan sungguhan, keempat sudut lembar kertas harus ditemukan di dalam gambar, distorsi perspektifnya dibatalkan agar halaman kembali berbentuk persegi panjang yang lurus, lalu ambang kecerahan lokal diterapkan sehingga kertas menjadi putih dan tinta menjadi hitam. Tanpa itu, yang tersisa hanyalah foto abu-abu yang sedikit melengkung dari sebuah halaman di atas meja. Semua itu tidak terjadi hanya dengan memotret lebih jelas. Ini adalah koreksi khusus yang diterapkan setelah foto diambil.

Halaman satu per satu, langsung dikoreksi

Pencarian sudut otomatis biasanya menemukan trapesium dengan benar. Deteksi ini keliru pada taplak meja bermotif, kayu gelap, atau halaman yang melewati tepi gambar. Yang terakhir cukup sering terjadi pada halaman buku berukuran besar, jadi sebaiknya sudah diperkirakan sejak awal, bukan dianggap kegagalan. Bila deteksi meleset, seret empat titik pegangan ke sudut yang sebenarnya dengan tangan: satu halaman itu diperbaiki tanpa mengulang halaman lain. Halaman yang dibuat dengan cara ini terkumpul dalam daftar yang bisa diubah urutannya, diputar seperempat putaran, atau difoto ulang di tempatnya; halaman yang tetap berada di posisi yang salah bisa dipindahkan nanti dengan Atur PDF. Foto ulang hanya mengganti satu halaman itu, bukan memaksa Anda mengulang scan seluruh tumpukan dari awal.

PDF hasil scan tetap belum bisa dicari

Setelah setiap halaman difoto, dikoreksi, dan disatukan menjadi satu PDF dengan JPG ke PDF, hasilnya secara teknis tetap saja tumpukan gambar. Tidak ada lapisan teks di bawahnya, jadi tidak ada isi dokumen yang bisa dipilih, disalin, atau ditemukan lewat pencarian. Ini mengejutkan orang yang mengira “PDF hasil scan” dan “PDF yang bisa dicari” itu sama saja. Keduanya berbeda, dan celah di antara keduanya itulah yang ditutup oleh OCR. Menjalankan OCR PDF pada hasil scan yang sudah jadi menambahkan lapisan teks hasil pengenalan yang tak terlihat dan berposisi tepat di balik gambar setiap halaman. Tampilan halaman tetap sama, tetapi kini setiap kata di dalamnya bisa dipilih, disalin, dan dicari.

Agar pengenalan teks berhasil sejak percobaan pertama

Akurasi pengenalan sangat bergantung pada seberapa datar, terang, dan lurus sudut pengambilan gambar sumbernya. Itulah yang seharusnya dijamin oleh langkah scan dan koreksi perspektif sebelumnya. Halaman yang sudah diluruskan dengan benar dan diberi ambang yang bersih dikenali jauh lebih baik daripada foto yang diambil miring dalam cahaya redup. Pelurusan halaman miring dan rotasi otomatis, yang berjalan sendiri sebelum pengenalan, menangkap sebagian besar kemiringan yang tersisa. Memilih bahasa yang tepat juga penting, atau hingga tiga bahasa bila dokumen mencampurnya, karena pengenalan yang disetel untuk alfabet yang salah hasilnya jelas lebih buruk, bahkan pada halaman yang selebihnya bersih.

Pilih lewati, ulangi, atau paksa sebelum memproses semuanya

Sekumpulan halaman hasil scan jarang seragam. Sebagian mungkin sudah punya lapisan teks dari proses sebelumnya, dan mengenali ulang halaman itu hanya membuang waktu tanpa mengubah apa pun yang berguna. Membiarkan halaman yang sudah punya teks dan hanya mengenali halaman yang murni gambar adalah pilihan bawaan yang aman untuk kumpulan campuran. Bila lapisan teks yang ada diketahui salah, misalnya kacau karena OCR sebelumnya buruk, opsi yang memperbaikinya adalah memaksa pengenalan mengabaikan teks apa pun yang sudah ada dan mengulang setiap halaman dari gambarnya. Pilihan lain membiarkan lapisan yang buruk tetap di tempatnya, di bawah lapisan kedua yang tidak terpakai.

Kesalahan umum saat memotret

Sebagian besar hasil scan yang buruk sudah ditentukan sebelum perangkat lunak apa pun melihatnya. Memotret di bawah satu lampu membuat bayangan ponsel, atau tangan Anda sendiri, jatuh di atas halaman, dan tidak ada ambang yang bisa membedakan bayangan itu dari tinta; cahaya siang dari jendela, atau dua lampu dari sisi yang berlawanan, menghilangkan masalah itu dari sumbernya. Kertas mengilap memantulkan cahaya kembali ke lensa sebagai bercak putih yang menghapus teks di bawahnya, jadi miringkan buku atau pindahkan lampu sampai silaunya hilang dari halaman. Buku tebal tidak pernah terbuka rata dengan sendirinya: teks di dekat punggung buku melengkung dan menyempit, dan kamera merekamnya sebagai noda buram. Tekan halaman di seberangnya dengan tangan atau pemberat, lalu foto halaman satu per satu, bukan dua halaman yang terbuka sekaligus; dengan begitu setiap baris tetap cukup lurus untuk dikenali. Letakkan buku di permukaan polos yang kontras dengan kertas, karena kain bermotif dan serat kayu gelap justru yang mengecoh deteksi sudut. Pegang ponsel sejajar dengan halaman, bukan miring, dan jangan perkecil foto sebelum pengenalan: yang dibaca pengenalan teks adalah goresan tipis huruf, dan salinan yang diperkecil kehilangan goresan itu lebih dulu. Terakhir, foto halaman sesuai urutan baca dan periksa jumlah halaman di akhir; halaman yang terlewat jauh lebih mudah difoto ulang sekarang daripada baru ketahuan setelah proses OCR.

Apa yang terjadi pada file selama pengenalan teks

Dua bagian pekerjaan ini berjalan di tempat yang berbeda. Menyusun halaman dengan JPG ke PDF dan merapikan urutannya di Atur PDF sepenuhnya terjadi di browser; foto tidak pernah diunggah. Pengenalan teks berbeda: hasil scan berhalaman banyak butuh mesin OCR sungguhan, jadi OCR PDF mengirim PDF yang sudah disusun ke server kami lewat koneksi terenkripsi, maksimal 300 MB dan 500 halaman per tugas. File yang diunggah dihapus begitu tugas selesai, dan hasilnya bisa diunduh selama satu jam, lalu dihapus dalam waktu sekitar dua jam, baik Anda mengunduhnya maupun tidak. Halaman kembali dengan jumlah dan urutan yang sama, dan setiap halaman punya lapisan teks tak terlihat; “Luruskan halaman yang miring” dan “Putar halaman otomatis” aktif secara bawaan dan juga menegakkan halaman yang miring atau terbalik. Buku yang difoto dengan ponsel mencapai batas ukuran jauh sebelum batas halaman: dengan sekitar tiga megabyte per foto, seratus halaman saja sudah mencapai 300 MB. Jadi susun buku dalam beberapa bagian berisi sekitar seratus foto, atau potong PDF yang sudah jadi dengan Pisahkan PDF, lalu kenali teks setiap bagian; Gabungkan PDF menyatukan hasilnya sesuai urutan, maksimal 500 MB secara keseluruhan. Pilih bahasa lebih dulu, hingga tiga untuk buku yang mencampurnya, dan aktifkan file teks pendamping untuk mendapatkan kata yang dikenali sebagai .txt biasa: itulah cara paling singkat untuk memeriksa satu halaman contoh sebelum memproses sisanya.

Alat yang dipakai di artikel ini

OCR PDFTambahkan lapisan teks yang bisa dicari ke PDF hasil scan dalam 15 bahasa. Teks jadi bisa dipilih, dan halaman yang miring atau menyamping diluruskan, kecuali Anda menonaktifkannya. Berjalan di server kami; file dihapus otomatis dalam waktu sekitar dua jam.JPG ke PDFUbah satu folder foto JPG menjadi satu PDF, dengan urutan pilihan Anda, tanpa mengompres ulang satu piksel pun.Atur PDFSusun halaman dokumen sesuai urutan yang Anda mau, sekaligus putar, gandakan, atau buang halaman tertentu.

Baca berikutnya