PDF ಗೆ OCR ಅಗತ್ಯವಿದೆಯೇ? ಪೂರ್ಣ ಮರು-ಗುರುತಿಸುವಿಕೆಯ ಬದಲಿಗೆ ಪುಟದಿಂದ ಪುಟದ ಪೂರ್ವ ಫ್ಲೈಟ್ ಮಾಡಲು PyMuPDF ಅನ್ನು ಬಳಸಿ
ನೀವು PDF ಅನ್ನು OCR ಮಾಡಲು ಬಯಸಿದರೆ, ಸಂಪೂರ್ಣ PDF ಅನ್ನು ಮರು-ಗುರುತಿಸಬೇಕಾದ ಅಗತ್ಯವಿಲ್ಲ. ಪಠ್ಯ ಪದರವಿದೆಯೇ ಮತ್ತು ಅದು ಪೂರ್ಣ-ಪುಟದ ಚಿತ್ರವೇ ಎಂಬುದನ್ನು ಪುಟದಿಂದ ಪುಟವನ್ನು ನಿರ್ಧರಿಸಲು PyMuPDF ಅನ್ನು ಬಳಸಿ ಮತ್ತು ಗುರುತಿಸುವಿಕೆಗೆ ನಿಜವಾಗಿಯೂ ಅಗತ್ಯವಿರುವ ಪುಟಗಳನ್ನು ಮಾತ್ರ ಕಳುಹಿಸಿ. ರನ್ ಮಾಡಬಹುದಾದ ಮಾದರಿಗಳು, ತಿರುಗುವ ಪುಟ ಪರೀಕ್ಷೆಗಳು ಮತ್ತು ಶಾಖೆಯ ಗಡಿ ಸೂಚನೆಗಳನ್ನು ಲಗತ್ತಿಸಲಾಗಿದೆ.
ಅನೇಕ ತಂಡಗಳು PDF ಅನುವಾದ ಅಥವಾ ಆರ್ಕೈವಿಂಗ್ನೊಂದಿಗೆ ವ್ಯವಹರಿಸುವಾಗ, ಪ್ರವೇಶದ್ವಾರದಲ್ಲಿ ಸಂಪೂರ್ಣ ಡಾಕ್ಯುಮೆಂಟ್ ಅನ್ನು "ಸ್ಕ್ಯಾನ್" ಅಥವಾ "ನಕಲು ಮಾಡಬಹುದಾದ" ಎಂದು ಲೇಬಲ್ ಮಾಡಲು ಅವರು ಒಗ್ಗಿಕೊಂಡಿರುತ್ತಾರೆ. 300-ಪುಟಗಳ PDF ಪಠ್ಯ ಪದರಗಳೊಂದಿಗೆ ಮೊದಲ 280 ಪುಟಗಳನ್ನು ಹೊಂದಿರಬಹುದು ಮತ್ತು ಸ್ಕ್ಯಾನ್ ಮಾಡಿದ ಲಗತ್ತುಗಳಾಗಿ ಕೊನೆಯ 20 ಪುಟಗಳನ್ನು ಮಾತ್ರ ಹೊಂದಿರಬಹುದು. ಸಂಪೂರ್ಣ ಭಾಗಗಳ ಮೂಲಕ ವರ್ಗೀಕರಿಸಿದರೆ, ಸಂಪೂರ್ಣ OCR ಕಾಯುವ ಸಮಯವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ ಮತ್ತು ಮೂಲತಃ ಸರಿಯಾದ ಸಂಖ್ಯೆಗಳನ್ನು ತಪ್ಪಾಗಿ ಗುರುತಿಸಬಹುದು. ಮತ್ತೊಂದೆಡೆ, ನೀವು ಮುಖಪುಟದಲ್ಲಿ ಪಠ್ಯವನ್ನು ಮಾತ್ರ ನಕಲಿಸಬಹುದು ಮತ್ತು ಎಲ್ಲಾ ಪುಟಗಳಲ್ಲಿ OCR ಅನ್ನು ಬಿಟ್ಟುಬಿಡಬಹುದು, ಅದು ಅಪಾಯಕಾರಿ.
ಹೆಚ್ಚು ವಿಶ್ವಾಸಾರ್ಹ ವಿಧಾನವೆಂದರೆ ಪ್ರತಿ ಪುಟವು ಪೂರ್ವ ಫ್ಲೈಟ್ನ ಫಲಿತಾಂಶಗಳೊಂದಿಗೆ ಮುಂದಿನ ಹಂತಕ್ಕೆ ಮುಂದುವರಿಯಲು ಅವಕಾಶ ಮಾಡಿಕೊಡುವುದು. ಈ ಲೇಖನವು ಸಂಪ್ರದಾಯವಾದಿ ಮೂರು-ಮಾರ್ಗದ ವಿಭಜನೆಯನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುತ್ತದೆ: ನೇರ ಹೊರತೆಗೆಯುವಿಕೆ, OCR ಅಭ್ಯರ್ಥಿ ಸರತಿಗೆ ಕಳುಹಿಸುವುದು ಮತ್ತು ಹಸ್ತಚಾಲಿತ ತಪಾಸಣೆ. ಇದು ವ್ಯಾಖ್ಯಾನಿಸಬಹುದಾದ ಎಂಜಿನಿಯರಿಂಗ್ ಹ್ಯೂರಿಸ್ಟಿಕ್ ಆಗಿದೆ, ಪಠ್ಯ ಗುಣಮಟ್ಟವನ್ನು ನಿರ್ಣಯಿಸಲು ಸಾರ್ವತ್ರಿಕ ವರ್ಗೀಕರಣವಲ್ಲ. ಓದಿದ ನಂತರ, ನೀವು ರನ್ ಮಾಡಬಹುದಾದ ಪೇಜ್-ಬೈ-ಪೇಜ್ ಪ್ರಿಫ್ಲೈಟ್ ಪ್ರೋಗ್ರಾಂ ಅನ್ನು ಪಡೆಯಬಹುದು, ಜೊತೆಗೆ ಡೈವರ್ಶನ್ ಗಡಿಗಳು ಮತ್ತು ಸಾಮಾನ್ಯ ದೋಷ ನಿರ್ವಹಣೆ ಕಲ್ಪನೆಗಳನ್ನು ಪಡೆಯಬಹುದು.
ಒಂದು ವಾಕ್ಯದ ತೀರ್ಮಾನ
PDF ಗೆ OCR ಅಗತ್ಯವಿದೆಯೇ ಎಂದು ನಿರ್ಣಯಿಸುವ ಅಗತ್ಯವಿಲ್ಲ. ಪುಟದ ಮೂಲಕ ಪುಟವನ್ನು ಪೂರ್ವ-ಪರಿಶೀಲಿಸಲು PyMuPDF ಅನ್ನು ಬಳಸಿ ಮತ್ತು OCR ಗೆ ನಿಜವಾಗಿಯೂ ಗುರುತಿಸಬೇಕಾದ ಪುಟಗಳನ್ನು ಮಾತ್ರ ಕಳುಹಿಸಿ.
| ನಿಮ್ಮ ಪರಿಸ್ಥಿತಿ | ಶಿಫಾರಸು ಮಾಡಿದ ಅಭ್ಯಾಸಗಳು | ಕಾರಣ |
|---|---|---|
| ಒಂದೇ ಪುಟದಿಂದ ಕನಿಷ್ಠ 40 ವೈಟ್ಸ್ಪೇಸ್ ಅಲ್ಲದ ಅಕ್ಷರಗಳನ್ನು ಹೊರತೆಗೆಯಿರಿ | ನೇರ ಹೊರತೆಗೆಯುವಿಕೆ (TEXT_CANDIDATE) | ಈಗಾಗಲೇ ಸಾಕಷ್ಟು ಅಕ್ಷರಗಳನ್ನು ಹೊಂದಿದೆ, ಆದರೆ ಇನ್ನೂ ಅಡಗಿರುವ ಕೆಟ್ಟ OCR ಲೇಯರ್ಗಳನ್ನು ಗುರುತಿಸುವ ಅಗತ್ಯವಿದೆ |
| 40 ಕ್ಕಿಂತ ಕಡಿಮೆ ಪದಗಳು ಮತ್ತು ಪುಟದ ಕನಿಷ್ಠ 70% ಅನ್ನು ಒಳಗೊಂಡಿರುವ ಒಂದು ಚಿತ್ರ | OCR ಅಭ್ಯರ್ಥಿ ಕ್ಯೂಗೆ ಕಳುಹಿಸಿ | ಪೂರ್ಣ-ಪುಟ ಸ್ಕ್ಯಾನ್ಗಳು ಗುರುತಿಸಲು ಸೂಕ್ತವಾಗಿವೆ, ಆದರೆ ಶುದ್ಧ ಫೋಟೋಗಳು ಸಹ ಸಾಕಾಗುತ್ತದೆ. |
| ಖಾಲಿ ಪುಟ, ವೆಕ್ಟರ್ ಪ್ರಕಾರ, ವಿರಳ ಶೀರ್ಷಿಕೆ, ಅಥವಾ ಸಂಕೀರ್ಣ ಒಗಟು | ಹಸ್ತಚಾಲಿತ ತಪಾಸಣೆ (ವಿಮರ್ಶೆ) | ಈ ಸಂದರ್ಭಗಳನ್ನು ಮೊದಲ ಎರಡು ವರ್ಗಗಳಾಗಿ ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ವರ್ಗೀಕರಿಸಲಾಗುವುದಿಲ್ಲ ಮತ್ತು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಬಿಟ್ಟುಬಿಡಲಾಗುವುದಿಲ್ಲ ಅಥವಾ ತಿರಸ್ಕರಿಸಲಾಗುವುದಿಲ್ಲ. |
| 300-ಪುಟಗಳ ಹೈಬ್ರಿಡ್ ಡಾಕ್ಯುಮೆಂಟ್ | ಪುಟದ ಮೂಲಕ ಪೂರ್ವ ಫ್ಲೈಟ್, ಪ್ರಕ್ರಿಯೆ ಪೂರ್ಣವಾಗಿಲ್ಲ | ಕೆಲವು ಸ್ಕ್ಯಾನ್ ಮಾಡಿದ ಲಗತ್ತುಗಳ ಕಾರಣದಿಂದಾಗಿ ಎಲ್ಲಾ ಪುಟಗಳನ್ನು OCR ಮಾಡುವುದನ್ನು ತಪ್ಪಿಸಿ ಅಥವಾ ಮುಖಪುಟದಲ್ಲಿ ಪಠ್ಯವಿರುವುದರಿಂದ ಎಲ್ಲಾ OCR ಅನ್ನು ಬಿಟ್ಟುಬಿಡಿ |
ಗಮನಿಸಿ: ಚಿತ್ರದಲ್ಲಿನ ವಿಷಯವು ಕೆಳಗಿನ ಕೋಡ್ನಿಂದ ರಚಿಸಲಾದ ಸಂಶ್ಲೇಷಿತ PDF ನಿಂದ ಬರುತ್ತದೆ, ಗ್ರಾಹಕ ಫೈಲ್ ಅಥವಾ OmniDoc ಇಂಟರ್ಫೇಸ್ ಅಲ್ಲ. ಚಿತ್ರದ ಪುಟದಲ್ಲಿನ ಪಠ್ಯವು ರಾಸ್ಟರ್ ಪಿಕ್ಸೆಲ್ಗಳು; ಪಠ್ಯ ಪುಟದಲ್ಲಿನ ಪಠ್ಯವು ನಿಜವಾದ ಪಠ್ಯ ಪದರವನ್ನು ಹೊಂದಿದೆ.
ಮೊದಲು ಏನನ್ನು ಪರಿಶೀಲಿಸಬೇಕೆಂದು ನಿರ್ಧರಿಸಿ
ಇಲ್ಲಿ ಎರಡು ಸಿಗ್ನಲ್ಗಳನ್ನು ಬಳಸಲಾಗುತ್ತದೆ: ವೈಟ್ಸ್ಪೇಸ್ ಅನ್ನು ತೆಗೆದುಹಾಕಿದ ನಂತರ ಪಠ್ಯ ಅಕ್ಷರಗಳ ಸಂಖ್ಯೆ ಮತ್ತು ಪುಟದಲ್ಲಿನ ದೊಡ್ಡ ಚಿತ್ರವು ಆಕ್ರಮಿಸಿಕೊಂಡಿರುವ ಪುಟದ ಪ್ರದೇಶದ ಅನುಪಾತ. ಹಿಂದಿನವರು "ಸಾಕಷ್ಟು ಅಕ್ಷರಗಳನ್ನು ಹೊರತೆಗೆಯಲಾಗಿದೆಯೇ?" ಮತ್ತು ಎರಡನೆಯದು ಪೂರ್ಣ ಪುಟ ಸ್ಕ್ಯಾನ್ ಮತ್ತು ಖಾಲಿ ಪುಟದ ನಡುವೆ ವ್ಯತ್ಯಾಸವನ್ನು ತೋರಿಸುತ್ತದೆ. ಪುಟದಲ್ಲಿನ ಇಮೇಜ್ ಹಿಗ್ಗುವಿಕೆ ಅನುಪಾತವನ್ನು ಮೀರುವುದನ್ನು ತಪ್ಪಿಸಲು ಚಿತ್ರದ ಪ್ರದೇಶವು ಮೊದಲು ಕ್ರಾಪಿಂಗ್ ಬಾಕ್ಸ್ನೊಂದಿಗೆ ಛೇದಿಸುತ್ತದೆ.
| ವೀಕ್ಷಣೆ | ಈ ಲೇಖನದ ತಿರುವು | ಇನ್ನೂ ಗಮನ ಬೇಕು |
|---|---|---|
| ಕನಿಷ್ಠ 40 ವೈಟ್ಸ್ಪೇಸ್ ಅಲ್ಲದ ಅಕ್ಷರಗಳು | TEXT_CANDIDATE | ಮರೆಮಾಡಿದ ಕೆಟ್ಟ OCR ಲೇಯರ್ಗಳು ಸಹ ಬಹಳಷ್ಟು ಪದಗಳನ್ನು ಹೊಂದಿರಬಹುದು |
| 40 ಕ್ಕಿಂತ ಕಡಿಮೆ ಪದಗಳು ಮತ್ತು ಒಂದೇ ಚಿತ್ರವು ಕನಿಷ್ಠ 70% ಅನ್ನು ಒಳಗೊಂಡಿದೆ | OCR_CANDIDATE | ಶುದ್ಧ ಫೋಟೋಗಳು ಸಹ ಷರತ್ತುಗಳನ್ನು ಪೂರೈಸುತ್ತವೆ, OCR ಅರ್ಥಪೂರ್ಣವಾಗಿರುವುದಿಲ್ಲ |
| ಉಳಿದ ಪ್ರಕರಣಗಳು | ವಿಮರ್ಶೆ | ವೈಟ್ ಸ್ಪೇಸ್, ವೆಕ್ಟರ್ ಪ್ರಕಾರ, ವಿರಳ ಶೀರ್ಷಿಕೆಗಳು ಮತ್ತು ಸಂಕೀರ್ಣ ಒಗಟುಗಳು ಇಲ್ಲಿ ಸಾಧ್ಯ |
40 ಮತ್ತು 0.70 ಥ್ರೆಶೋಲ್ಡ್ಗಳು ಈ ಪರೀಕ್ಷೆಗಳ ಸೆಟ್ ಅನ್ನು ಆಡಿಟ್ ಮಾಡಲು ಸುಲಭಗೊಳಿಸಲು ಉದ್ದೇಶಿಸಲಾಗಿದೆ ಮತ್ತು ಅವು ಭಾಷೆಯ ಮಾನದಂಡಗಳಲ್ಲ. ಚೈನೀಸ್, ಸೂತ್ರ, ಕವರ್ ಮತ್ತು ಸಣ್ಣ ರೂಪಗಳನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಮಾಪನಾಂಕ ಮಾಡಬೇಕು. ಇಲ್ಲಿ, ಅತಿ ದೊಡ್ಡ ಪ್ರದೇಶವನ್ನು ಹೊಂದಿರುವ ಚಿತ್ರವನ್ನು ಸರಳವಾಗಿ ಅತಿಕ್ರಮಿಸುವ ಚಿತ್ರಗಳ ಪ್ರದೇಶಗಳನ್ನು ಸೇರಿಸುವ ಬದಲು ತೆಗೆದುಕೊಳ್ಳಲಾಗುತ್ತದೆ, ಆದ್ದರಿಂದ ಬಹು ಚಿತ್ರಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಸ್ಕ್ಯಾನ್ ಮಾಡಿದ ಪುಟವು ವಿಮರ್ಶೆಗೆ ಬೀಳಬಹುದು. ಇದು ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ಕಾಯ್ದಿರಿಸಿದ ಗಡಿಯಾಗಿದೆ.
ಸಂಪೂರ್ಣ ರನ್ ಮಾಡಬಹುದಾದ ಉದಾಹರಣೆ
ಮಾದರಿಯು PyMuPDF==1.28.0 ಅನ್ನು ಬಳಸುತ್ತದೆ, ಟೆಸ್ಸೆರಾಕ್ಟ್ ಅನ್ನು ಅವಲಂಬಿಸಿಲ್ಲ ಮತ್ತು ಯಾವುದೇ ಆನ್ಲೈನ್ OCR ಅಥವಾ ಅನುವಾದ ಸೇವೆಗಳಿಗೆ ಕರೆ ಮಾಡುವುದಿಲ್ಲ. ಇದನ್ನು example.py ಎಂದು ಉಳಿಸಿ ಮತ್ತು ಅದನ್ನು ಖಾಲಿ ಡೈರೆಕ್ಟರಿಯಲ್ಲಿ ರನ್ ಮಾಡಿ. ಇದು ರಚಿಸುವ ಫೈಲ್ ಹೆಸರನ್ನು routing-fixture.pdf ಗೆ ನಿಗದಿಪಡಿಸಲಾಗಿದೆ. ದಯವಿಟ್ಟು ನೈಜ ಯೋಜನೆಗಳಲ್ಲಿ ಇನ್ಪುಟ್ ಫೈಲ್ ಅನ್ನು ಓವರ್ರೈಟ್ ಮಾಡಬೇಡಿ.
import json
import pymupdf
def inspect_page(page):
chars = len("".join(page.get_text().split()))
bounds = page.cropbox
# 图片坐标与文本坐标都是未旋转坐标;不要混用旋转后的 page.rect。
bounds = pymupdf.Rect(0, 0, bounds.width, bounds.height)
ratios = []
for image in page.get_image_info():
rect = pymupdf.Rect(image["bbox"]) & bounds
ratios.append(max(0, rect.get_area()) / bounds.get_area())
largest = max(ratios, default=0.0)
route = ("TEXT_CANDIDATE" if chars >= 40 else
"OCR_CANDIDATE" if largest >= 0.70 else "REVIEW")
return {"page": page.number + 1, "chars": chars,
"largest_image_ratio": round(largest, 3), "route": route}
with pymupdf.open() as source:
page = source.new_page(width=360, height=480)
page.insert_text((28, 60), "Sample invoice 2026-09-26", fontsize=16)
page.insert_text((28, 100), "Quantity 12 Unit price USD 15.00", fontsize=12)
page.insert_text((28, 132), "Amount USD 180.00 Checked manually", fontsize=12)
scan = page.get_pixmap(matrix=pymupdf.Matrix(2, 2)).tobytes("png")
page = source.new_page(width=360, height=480)
page.insert_image(page.rect, stream=scan)
source.new_page(width=360, height=480)
source.save("routing-fixture.pdf")
with pymupdf.open("routing-fixture.pdf") as pdf:
result = [inspect_page(page) for page in pdf]
assert [r["route"] for r in result] == [
"TEXT_CANDIDATE", "OCR_CANDIDATE", "REVIEW"]
assert result[1]["chars"] == 0
assert result[1]["largest_image_ratio"] == 1.0
pdf[1].set_rotation(90)
assert inspect_page(pdf[1])["route"] == "OCR_CANDIDATE"
print(json.dumps(result, indent=2))
OCR ಅನ್ನು ಪ್ರವೇಶಿಸುವಾಗ, ಪಠ್ಯಪುಟವನ್ನು ಯಶಸ್ಸಿನ ಗುರುತು ಬದಲಿಗೆ ಸಂಗ್ರಹಿಸಲಾಗುತ್ತದೆ.
PyMuPDF ನ OCR ಇಂಟರ್ಫೇಸ್ page.get_textpage_ocr(...) ಆಗಿದೆ. ಟೆಸ್ಸೆರಾಕ್ಟ್ ಮತ್ತು ಅನುಗುಣವಾದ ಭಾಷಾ ಡೇಟಾವನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಸಿದ್ಧಪಡಿಸುವ ಅಗತ್ಯವಿದೆ. TextPage ಅನ್ನು ಪಡೆದ ನಂತರ, ಅದೇ ಪುಟದ ಪುನರಾವರ್ತಿತ ಗುರುತಿಸುವಿಕೆಯನ್ನು ತಪ್ಪಿಸಲು ನಂತರದ ಹೊರತೆಗೆಯುವಿಕೆಯ ಸಮಯದಲ್ಲಿ ಅದನ್ನು textpage ಪ್ಯಾರಾಮೀಟರ್ ಆಗಿ ರವಾನಿಸಬೇಕು. ನಿರ್ದಿಷ್ಟ ಅನುಸ್ಥಾಪನಾ ವಿಧಾನಗಳು ಮತ್ತು ನಿಯತಾಂಕಗಳಿಗಾಗಿ ದಯವಿಟ್ಟು PyMuPDF OCR ದಸ್ತಾವೇಜನ್ನು ಅನ್ನು ಉಲ್ಲೇಖಿಸಿ.
ಈ ಲೇಖನವು OCR ಎಂಜಿನ್ ಅನ್ನು ರನ್ ಮಾಡಿಲ್ಲ, ಆದ್ದರಿಂದ ಪರೀಕ್ಷಾ ಫಲಿತಾಂಶಗಳು ತಿರುವು ತರ್ಕ ಮತ್ತು ನಿರ್ದೇಶಾಂಕಗಳನ್ನು ಸರಿಯಾಗಿ ಬಳಸಲಾಗಿದೆ ಎಂದು ಸಾಬೀತುಪಡಿಸಬಹುದು ಮತ್ತು ಚೀನೀ ಗುರುತಿಸುವಿಕೆ ದರ, ಟೇಬಲ್ ಚೇತರಿಕೆ ದರ ಅಥವಾ ಅನುವಾದ ಗುಣಮಟ್ಟವನ್ನು ಪ್ರತಿನಿಧಿಸುವುದಿಲ್ಲ. OCR ಎಂಜಿನ್ ಆವೃತ್ತಿ, ಭಾಷಾ ಪ್ಯಾಕ್, ಪುಟ ಸಂಖ್ಯೆ, ಇನ್ಪುಟ್ ಫೈಲ್ ಸಾರಾಂಶ ಮತ್ತು ಹಸ್ತಚಾಲಿತ ತಪಾಸಣೆ ಫಲಿತಾಂಶಗಳನ್ನು ಉತ್ಪಾದನಾ ಪರಿಸರದಲ್ಲಿ ದಾಖಲಿಸಬೇಕು. ಅಂತಿಮ ಸ್ಟ್ರಿಂಗ್ ಅನ್ನು ಮಾತ್ರ ಇರಿಸಬೇಡಿ, ಇಲ್ಲದಿದ್ದರೆ ನಿರ್ದಿಷ್ಟ ಸಂಖ್ಯೆಯು ಯಾವ ಪುಟದಿಂದ ಬರುತ್ತದೆ ಎಂಬುದನ್ನು ವಿವರಿಸಲು ಕಷ್ಟವಾಗುತ್ತದೆ.
ಅತ್ಯಂತ ಸುಲಭವಾಗಿ ತಪ್ಪಿಹೋಗುವ ಮೂರು ವಿಧದ ದೋಷಗಳು
ಮರೆಮಾಡಿದ ಪಠ್ಯ ಪದರವು ಗೊಂದಲಕ್ಕೊಳಗಾಗಬಹುದು. ಅಕ್ಷರಗಳ ಸಂಖ್ಯೆಯು ಗುಣಮಟ್ಟವನ್ನು ತಲುಪಿದರೆ, "ನೀವು ಹೊರತೆಗೆಯಲು ಪ್ರಯತ್ನಿಸುವುದನ್ನು ಮುಂದುವರಿಸಬಹುದು" ಎಂದರ್ಥ. ಬದಲಿ ಅಕ್ಷರಗಳು, ಪುನರಾವರ್ತಿತ ಸಾಲುಗಳು ಮತ್ತು ಪ್ರಮುಖ ಕ್ಷೇತ್ರಗಳು ರೆಂಡರಿಂಗ್ಗೆ ಹೊಂದಿಕೆಯಾಗುತ್ತವೆಯೇ ಎಂಬುದನ್ನು ಸಹ ನೀವು ಪರಿಶೀಲಿಸಬೇಕು. ಒಪ್ಪಂದದ ಸಂಖ್ಯೆ ಮತ್ತು ಮೊತ್ತದಂತಹ ಪ್ರಮುಖ ವಿಷಯಗಳನ್ನು ಯಾದೃಚ್ಛಿಕವಾಗಿ ಪರಿಶೀಲಿಸಬೇಕು.
ವೆಕ್ಟರ್ ಪಥಗಳಿಂದ ಚಿತ್ರಿಸಿದ ಪದಗಳು ಪಠ್ಯ ಅಥವಾ ಚಿತ್ರಗಳಲ್ಲ. ಅವರು ವಿಮರ್ಶೆಯನ್ನು ನಮೂದಿಸುತ್ತಾರೆ. ಅವುಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಖಾಲಿ ಎಂದು ಗುರುತಿಸಬೇಡಿ ಮತ್ತು ಪುಟಗಳನ್ನು ಮೌನವಾಗಿ ಬಿಡಬೇಡಿ.
ಡಾಕ್ಯುಮೆಂಟ್ ಅನ್ನು ಮುಚ್ಚುವುದು ಮತ್ತು ನಂತರ ಪುಟವನ್ನು ಬಳಸುವುದು ಅಮಾನ್ಯ ವಸ್ತುಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ದಯವಿಟ್ಟು with pymupdf.open(...) ನ ವ್ಯಾಪ್ತಿಯನ್ನು ಇರಿಸಿಕೊಳ್ಳಿ ಮತ್ತು ಫೈಲ್ ಅನ್ನು ಬಿಡುಗಡೆ ಮಾಡುವ ಮೊದಲು ಪ್ರಿಫ್ಲೈಟ್, ರೆಂಡರಿಂಗ್ ಮತ್ತು ಹೊರತೆಗೆಯುವಿಕೆಯನ್ನು ಪೂರ್ಣಗೊಳಿಸಿ. ನಿರ್ದೇಶಾಂಕಗಳು, ಚಿತ್ರದ ಮಾಹಿತಿ ಮತ್ತು ಪುಟದ ಜೀವನ ಚಕ್ರದ ಕುರಿತು ಹೆಚ್ಚಿನ ವಿವರಗಳಿಗಾಗಿ, ದಯವಿಟ್ಟು PyMuPDF Page API ಅನ್ನು ಉಲ್ಲೇಖಿಸಿ.
ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲದ PDF ಗಳು ಫೈಲ್ ಗಾತ್ರ, ಪುಟ ಎಣಿಕೆ, ರೆಂಡರ್ ಮಾಡಿದ ಪಿಕ್ಸೆಲ್ಗಳು, ಸಮಯ ಮತ್ತು ಮೆಮೊರಿ ಕ್ಯಾಪ್ಗಳನ್ನು ಪ್ರತ್ಯೇಕ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಹೊಂದಿಸಬೇಕು. ಉದಾಹರಣೆಯು ಸಣ್ಣ ಫೈಲ್ಗಳನ್ನು ಮಾತ್ರ ಪರೀಕ್ಷಿಸುತ್ತದೆ ಮತ್ತು ದುರುದ್ದೇಶಪೂರಿತ ಫೈಲ್ ಸ್ಯಾಂಡ್ಬಾಕ್ಸ್ ಅನ್ನು ಒದಗಿಸುವುದಿಲ್ಲ. ಉತ್ಪಾದನೆಯಲ್ಲಿ PyMuPDF ಅನ್ನು ಬಳಸುವ ಮೊದಲು, ನೀವು ಅದರ ಪರವಾನಗಿ ಪರಿಸ್ಥಿತಿಗಳು ಮತ್ತು ನಿಮ್ಮ ವಿತರಣಾ ವಿಧಾನವನ್ನು ಸಹ ಪರಿಶೀಲಿಸಬೇಕು.
ಡೈವರ್ಶನ್ನಿಂದ ಅನುವಾದ ವರ್ಕ್ಫ್ಲೋ ಅನ್ನು ನಮೂದಿಸಿ
ಅರ್ಹವಾದ ಔಟ್ಪುಟ್ ಪಠ್ಯದ ಸ್ಟ್ರಿಂಗ್ ಅಲ್ಲ, ಆದರೆ ಪುಟ ಸಂಖ್ಯೆಗಳು ಮತ್ತು ನಿರ್ಧಾರದ ಕಾರಣಗಳೊಂದಿಗೆ ದಾಖಲೆಯಾಗಿದೆ. ಅನುವಾದಿಸುವ ಮೊದಲು, ಯಾವ ಪುಟಗಳನ್ನು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ಹೊರತೆಗೆಯಬಹುದು ಎಂಬುದನ್ನು ಖಚಿತಪಡಿಸಿ; ಅನುವಾದದ ನಂತರ ವಿಷಯ, ಸಂಖ್ಯೆಗಳು ಮತ್ತು ವಿನ್ಯಾಸವನ್ನು ಪರಿಶೀಲಿಸಿ ಮತ್ತು ಸ್ವೀಕರಿಸಿ. ನೀವು OmniDoc ಉತ್ಪನ್ನ ಪೋರ್ಟಲ್ ನಲ್ಲಿ ಡಾಕ್ಯುಮೆಂಟ್ ಪ್ರೊಸೆಸಿಂಗ್ ಸೇವೆಗಳನ್ನು ವೀಕ್ಷಿಸಬಹುದು. ಈ ಲೇಖನದಲ್ಲಿನ ಸ್ಥಳೀಯ ಪ್ರೋಗ್ರಾಂ ಸ್ವತಂತ್ರವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು OmniDoc ಖಾತೆಯನ್ನು ಅವಲಂಬಿಸಿಲ್ಲ, ಅಥವಾ ಇದು ಉತ್ಪನ್ನದೊಳಗಿನ ಅಲ್ಗಾರಿದಮ್ ಎಂದು ಅರ್ಥವಲ್ಲ.
📊 ಕೋರ್ ಹೋಲಿಕೆ
| ಮಾರ್ಗ | ಪ್ರಚೋದಕ ಸ್ಥಿತಿ | ಸೂಕ್ತವಾದ ಪುಟ | ಮುಖ್ಯ ಅಪಾಯಗಳು |
|---|---|---|---|
| ನೇರ ಹೊರತೆಗೆಯುವಿಕೆ (TEXT_CANDIDATE) | ಕನಿಷ್ಠ 40 ವೈಟ್ಸ್ಪೇಸ್ ಅಲ್ಲದ ಅಕ್ಷರಗಳು | ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಪಠ್ಯ ಪದರದೊಂದಿಗೆ ಪಠ್ಯ ಪುಟ | ಮರೆಮಾಡಿದ ಕೆಟ್ಟ OCR ಲೇಯರ್ ಗರ್ಬಲ್ಡ್ ಅಕ್ಷರಗಳನ್ನು ಹೊಂದಿರಬಹುದು |
| OCR ಅಭ್ಯರ್ಥಿ (OCR_CANDIDATE) | 40 ಕ್ಕಿಂತ ಕಡಿಮೆ ಪದಗಳು ಮತ್ತು ಒಂದೇ ಚಿತ್ರವು ಕನಿಷ್ಠ 70% ಅನ್ನು ಒಳಗೊಂಡಿದೆ | ಪೂರ್ಣ ಪುಟ ಸ್ಕ್ಯಾನ್ | ಶುದ್ಧ ಫೋಟೋಗಳು ಸಹ ಷರತ್ತುಗಳನ್ನು ಪೂರೈಸುತ್ತವೆ, ಆದರೆ OCR ಫಲಿತಾಂಶಗಳು ಅರ್ಥಪೂರ್ಣವಾಗಿರುವುದಿಲ್ಲ. |
| ಹಸ್ತಚಾಲಿತ ತಪಾಸಣೆ (ವಿಮರ್ಶೆ) | ಮೇಲಿನ ಎರಡು ವರ್ಗಗಳನ್ನು ಪೂರೈಸುವುದಿಲ್ಲ | ಖಾಲಿ ಪುಟ, ವೆಕ್ಟರ್ ಪ್ರಕಾರ, ವಿರಳ ಶೀರ್ಷಿಕೆ, ಸಂಕೀರ್ಣ ಒಗಟು | ಹಸ್ತಚಾಲಿತ ತೀರ್ಪು ಅಗತ್ಯವಿದೆ ಮತ್ತು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಬಿಟ್ಟುಬಿಡಲಾಗುವುದಿಲ್ಲ ಅಥವಾ ತಿರಸ್ಕರಿಸಲಾಗುವುದಿಲ್ಲ. |
🎯 ಯಾವ ವಿಧಾನವು ನಿಮಗೆ ಸೂಕ್ತವಾಗಿದೆ?
ನೀವು ಇದ್ದರೆ.....
- ನಾವು ಮಿಶ್ರ ದಾಖಲೆಗಳೊಂದಿಗೆ ವ್ಯವಹರಿಸುತ್ತಿದ್ದೇವೆ ಮತ್ತು ಮುಂಭಾಗದ ಮತ್ತು ಹಿಂದಿನ ಪುಟಗಳ ಗುಣಮಟ್ಟವು ತುಂಬಾ ವಿಭಿನ್ನವಾಗಿದೆ: ಪುಟದ ಮೂಲಕ ಪುಟವನ್ನು ಪೂರ್ವ-ಪರಿಶೀಲಿಸಿ ಮತ್ತು ಕ್ರಮವಾಗಿ ವಿವಿಧ ಮಾರ್ಗಗಳನ್ನು ನಮೂದಿಸಿ.
- ಮುಖ್ಯವಾಗಿ ಒಪ್ಪಂದಗಳು ಮತ್ತು ಹಣಕಾಸಿನಂತಹ ಪ್ರಮುಖ ಅಂಕಿಅಂಶಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ದಾಖಲೆಗಳನ್ನು ನಿರ್ವಹಿಸಿ: TEXT_CANDIDATE ಪುಟವನ್ನು ಸಂಖ್ಯೆಗಳು ಮತ್ತು ರೆಂಡರಿಂಗ್ಗಳ ನಡುವಿನ ಪತ್ರವ್ಯವಹಾರಕ್ಕಾಗಿ ಯಾದೃಚ್ಛಿಕವಾಗಿ ಪರಿಶೀಲಿಸಬೇಕು.
- ಬ್ಯಾಚ್ಗಳಲ್ಲಿ ಸ್ಕ್ಯಾನ್ಗಳನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವ ಅಗತ್ಯವಿದೆ: ರೆಕಾರ್ಡ್ ಎಂಜಿನ್ ಆವೃತ್ತಿ, ಭಾಷಾ ಪ್ಯಾಕ್ ಮತ್ತು OCR ಫಲಿತಾಂಶಗಳಿಗಾಗಿ ಪುಟ ಸಂಖ್ಯೆ ಸುಲಭ ಬ್ಯಾಕ್ಟ್ರ್ಯಾಕಿಂಗ್.
- ಅಜ್ಞಾತ ಮೂಲಗಳಿಂದ PDF ಗಳನ್ನು ಸ್ವೀಕರಿಸುವುದು: ಪ್ರತ್ಯೇಕ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಸಂಪನ್ಮೂಲ ಮಿತಿಗಳನ್ನು ಹೊಂದಿಸಿ, ಅವುಗಳನ್ನು ನೇರವಾಗಿ ಮುಖ್ಯ ಪ್ರೋಗ್ರಾಂನಲ್ಲಿ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಬೇಡಿ.
❓ ಪದೇ ಪದೇ ಕೇಳಲಾಗುವ ಪ್ರಶ್ನೆಗಳು (FAQ)
1. ಮುಖಪುಟದಲ್ಲಿ ಪಠ್ಯವನ್ನು ನಕಲಿಸಬಹುದು. ನಾನು ಸಂಪೂರ್ಣ PDF ನ OCR ಅನ್ನು ಬಿಟ್ಟುಬಿಡಬಹುದೇ?
ಸಾಧ್ಯವಿಲ್ಲ. ಮುಖಪುಟವು ಪಠ್ಯ ಪದರವನ್ನು ಹೊಂದಿರುವುದರಿಂದ ನಂತರದ ಪುಟಗಳು ಅದನ್ನು ಹೊಂದಿರುತ್ತವೆ ಮತ್ತು ಪುಟದಿಂದ ಪುಟವನ್ನು ನಿರ್ಣಯಿಸಬೇಕು ಎಂದು ಅರ್ಥವಲ್ಲ.
2. ಚಿತ್ರದ ಪ್ರದೇಶಗಳನ್ನು ನೇರವಾಗಿ ಏಕೆ ಸೇರಿಸಬಾರದು?
ಅತಿಕ್ರಮಿಸುವ ಚಿತ್ರಗಳ ಪ್ರದೇಶಗಳನ್ನು ಸೇರಿಸುವುದು ವ್ಯಾಪ್ತಿಯನ್ನು ಅತಿಯಾಗಿ ಅಂದಾಜು ಮಾಡುತ್ತದೆ. ಈ ಲೇಖನವು ಅತಿ ದೊಡ್ಡ ಚಿತ್ರವನ್ನು ಬಳಸುತ್ತದೆ, ಆದ್ದರಿಂದ ಅನೇಕ ಚಿತ್ರಗಳನ್ನು ಒಟ್ಟಿಗೆ ಜೋಡಿಸಲಾದ ಸ್ಕ್ಯಾನ್ ಮಾಡಿದ ಪುಟವು ವಿಮರ್ಶೆಗೆ ಬೀಳಬಹುದು, ಇದು ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ಉಳಿಸಿಕೊಳ್ಳಲಾದ ಗಡಿಯಾಗಿದೆ.
3. ಅಕ್ಷರಗಳ ಸಂಖ್ಯೆ 40 ತಲುಪಿದರೆ, ಪಠ್ಯದ ಗುಣಮಟ್ಟದಲ್ಲಿ ಯಾವುದೇ ಸಮಸ್ಯೆ ಇಲ್ಲ ಎಂದರ್ಥವೇ?
ಹಾಗೆಂದು ತೀರ್ಮಾನಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ. ಮರೆಮಾಡಿದ ಕೆಟ್ಟ OCR ಲೇಯರ್ಗಳು ಸಹ ಬಹಳಷ್ಟು ಪದಗಳನ್ನು ಹೊಂದಿರಬಹುದು, ಆದ್ದರಿಂದ ಬದಲಿ ಅಕ್ಷರಗಳು, ನಕಲಿ ಸಾಲುಗಳು ಮತ್ತು ಸ್ಪಾಟ್ ಚೆಕ್ ಕೀ ಕ್ಷೇತ್ರಗಳನ್ನು ಪರಿಶೀಲಿಸಿ.
4. ವೆಕ್ಟರ್ ಮಾರ್ಗದಿಂದ ಚಿತ್ರಿಸಿದ ಪಠ್ಯವನ್ನು ಹೇಗೆ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಬೇಕು?
ಅವು ಪಠ್ಯ ಅಥವಾ ಚಿತ್ರಗಳಲ್ಲ, ವಿಮರ್ಶೆಯನ್ನು ನಮೂದಿಸಿ, ಮನುಷ್ಯರಿಂದ ನಿರ್ಣಯಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಖಾಲಿ ಎಂದು ಗುರುತಿಸಬಾರದು ಅಥವಾ ಮೌನವಾಗಿ ಕೈಬಿಡಬಾರದು.
5. ಸ್ಥಳೀಯ ಪ್ರೋಗ್ರಾಂ ಓಮ್ನಿಡಾಕ್ ಖಾತೆಯನ್ನು ಅವಲಂಬಿಸಿದೆಯೇ?
ಅವಲಂಬಿತವಾಗಿಲ್ಲ. ಈ ಲೇಖನದ ಸ್ಥಳೀಯ ಪ್ರೋಗ್ರಾಂ ಸ್ವತಂತ್ರವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ಯಾವುದೇ ಆನ್ಲೈನ್ OCR ಅಥವಾ ಅನುವಾದ ಸೇವೆಗಳಿಗೆ ಕರೆ ಮಾಡುವುದಿಲ್ಲ.
📝 ಸಾರಾಂಶ
ಮೊದಲು ಪುಟದಿಂದ ಪುಟಕ್ಕೆ ಪುರಾವೆಗಳನ್ನು ಬಿಡಿ, ತದನಂತರ OCR ಮಾಡಬೇಕೆ ಎಂದು ನಿರ್ಧರಿಸಿ. ಅನಿಶ್ಚಿತ ಫಲಿತಾಂಶಗಳನ್ನು ಯಶಸ್ಸು ಎಂದು ಮರೆಮಾಚುವುದಕ್ಕಿಂತ ಅನಿಶ್ಚಿತ ಪುಟಗಳನ್ನು ಸರದಿಯಲ್ಲಿ ಬಿಡುವುದು ಹೆಚ್ಚು ಉಪಯುಕ್ತವಾಗಿದೆ.


