PDF fájlok szövegfelismerő parserének létrehozása és fejlesztése

PDF szövegfelismerés magánügyfeleknek

A PDF szövegfelismerés akkor hasznos, amikor egy beszkennelt vagy képként mentett dokumentumból kereshető, másolható és rendezhető szöveget kell kapni. A lényeg egyszerű. A magánügyfél elküldi az anyagot, a szakember átnézi a fájl minőségét, beállítja a felismerést, majd átadja a használható eredményt. Ez lehet szerkeszthető dokumentum, táblázat, kereshető PDF vagy tisztított szövegfájl.

Én azt látom, hogy sok ügyfél nem magát a technikai folyamatot keresi, hanem egy megoldást. Van egy régi irat, számla, szerződés, jegyzet, tanulmány vagy több száz oldalas anyag, amelyben nem lehet keresni. Ez lassítja a munkát. De amikor a szöveg már kijelölhető és rendezhető, az egész dokumentum sokkal könnyebben kezelhető. A jó online szakember nemcsak lefuttat egy programot, hanem ellenőrzi is, hogy a felismerés mennyire pontos.

A Qjob.hu felületén olyan magánszakembert lehet keresni, aki távolról vállal ilyen feladatot. A munka nem igényel személyes találkozót. Elég a fájlok biztonságos átadása, egy rövid leírás a kívánt eredményről, majd a kész anyag visszaküldése. Fontos előre tisztázni, hogy csak felismerés kell, vagy javítás, formázás, táblázatba rendezés és fájlátalakítás is.

PDF szövegfelismerés árak

Az ár főleg az oldalszámtól, a dokumentum minőségétől és az utómunka mennyiségétől függ. Egy tiszta, géppel nyomtatott szöveg gyorsabban feldolgozható. Egy ferde, halvány, pecsétes vagy kézzel javított dokumentum már több ellenőrzést kér. Szerintem a túl olcsó munka ezen a területen gyakran gyengébb minőséget jelent, mert a felismerés után elmarad az átnézés.

Tapasztalatom szerint nem mindig az oldalszám a legfontosabb. Egy húszoldalas rossz minőségű másolat több időt vihet el, mint egy százoldalas tiszta dokumentum. Ezért érdemes mintafájlt küldeni, és nem csak általános árat kérni. Így a szakember látja a betűk minőségét, a nyelvet, az elrendezést és azt is, hogy van-e táblázat vagy többhasábos szöveg.

Szövegfelismerő szakember kiválasztása

A megfelelő szövegfelismerő szakember kiválasztásánál nem elég azt nézni, hogy ki vállalja gyorsan. Fontosabb, hogy értse a dokumentum célját. Más munka egy jogi irat kereshetővé tétele, más egy számlacsomag adatainak kinyerése, és megint más egy régi tananyag olvasható szöveggé alakítása. A szakember akkor dolgozik jól, ha előre rákérdez a kimeneti formátumra.

Érdemes megnézni, milyen példákat mutat korábbi munkákból. Nem kell bizalmas dokumentumokat kérni tőle, de egy anonimizált minta sokat elárul. Látszik belőle, hogy figyel-e a tördelésre, az ékezetekre, a táblázatokra és a hibásan felismert karakterekre. Magyar szövegnél különösen fontos az ékezetes betűk pontos kezelése. Egy apró hiba még nem gond, de sok hiba már használhatatlanná teheti az anyagot.

Sokan ott hibáznak, hogy csak annyit írnak a megbízásba, hogy legyen a PDF szerkeszthető. Ez kevés. Jobb megadni, hogy Word, Excel, egyszerű szöveg vagy kereshető PDF kell. És azt is, hogy a külalak számít-e. Egy szakember így pontosabb ajánlatot tud adni, a megrendelő pedig kevesebb félreértéssel számolhat.

Online PDF feldolgozás menete

Az online PDF feldolgozás általában rövid egyeztetéssel indul. A megrendelő elküldi a fájlt vagy egy mintát, és leírja, mire szeretné használni a végeredményt. Ezután a szakember felméri, hogy a dokumentum gépi szöveget tartalmaz-e, vagy képként mentett oldalakról van szó. A kettő között nagy különbség van.

Ha a fájl jó minőségű, a felismerés gyorsan elkészülhet. Ha a lapok ferdék, rosszul világítottak, több nyelvet tartalmaznak vagy sok bennük a bélyegző és aláírás, több kézi ellenőrzés kell. Volt olyan eset, amikor egy ügyfél azt hitte, hogy csak néhány számlát kell átalakítani. A fájlokban viszont vegyesen voltak fotók, elmosódott szkennelések és táblázatok. A munka végül nem a felismerés miatt lett hosszabb, hanem az egységesítés miatt.

A szokásos lépések közé tartozik a fájlok átvétele, a minőség ellenőrzése, a szövegfelismerés futtatása, az eredmény javítása, a formátum beállítása, majd az átadás. Nagyobb anyagnál érdemes részátadást kérni. Így időben kiderül, hogy a formátum megfelel-e. Ez különösen akkor fontos, ha a végeredményt később keresésre, adatfeldolgozásra vagy archiválásra használják.

Kereshető PDF és szerkeszthető szöveg

A kereshető PDF és a szerkeszthető szöveg nem ugyanaz. A kereshető PDF megtartja az eredeti oldal kinézetét, de a háttérben már felismerhető szövegréteg van. Ez jó választás, ha az iratot meg kell őrizni eredeti formában, de később gyorsan szeretnénk benne keresni. A szerkeszthető szöveg ezzel szemben akkor hasznos, ha a tartalmat át kell írni, idézni, javítani vagy más rendszerbe áttenni.

A PDF szövegfelismerés eredménye lehet Word dokumentum is. Ilyenkor a tördelés megtartása külön feladat. Egy egyszerű szövegfolyam könnyebb és olcsóbb. A táblázatok, lábjegyzetek, fejlécek, többoszlopos oldalak és képaláírások viszont növelik a munka idejét. A magánszakember akkor tud pontosan dolgozni, ha a megrendelő nemcsak azt írja meg, milyen fájlból indulunk, hanem azt is, milyen fájlt szeretne visszakapni.

Szerintem a legjobb megoldás sokszor a kettős átadás. Egy kereshető PDF az eredeti dokumentumhoz, és egy külön szerkeszthető változat a további munkához. Ez nem mindig szükséges, de fontosabb iratoknál kényelmesebb és biztonságosabb.

Tipikus hibák PDF szövegfelismerésnél

A legtöbb hiba nem a programból indul, hanem a rossz előkészítésből. Homályos fotók, ferdén szkennelt oldalak, árnyékos képek és alacsony felbontású fájlok nehezítik a felismerést. Ilyenkor a rendszer összekeverheti a betűket, kihagyhat szavakat, vagy rosszul olvashat számokat. Ez számláknál, szerződéseknél és kimutatásoknál különösen kellemetlen.

Gyakori gond az is, hogy az ügyfél nem jelzi, mely részek fontosak. Lehet, hogy csak a fő szöveg kell, de lehet, hogy a fejléc, lábléc, oldalszám, táblázat és bélyegző is számít. Ha ez nincs tisztázva, a végeredmény technikailag elkészül, mégsem lesz hasznos. És ez bosszantó mindkét félnek.

A magánszakember munkáját azzal lehet segíteni, ha a fájlok rendezett névvel érkeznek, nincs köztük felesleges másolat, és a feladat röviden, de pontosan van leírva. Nem kell hosszú magyarázat. Elég megadni a célt, a formátumot, a határidőt és azt, hogy szükséges-e kézi javítás. A pontosság itt nem udvariasság kérdése, hanem a használható eredmény feltétele.

Adatvédelem és fájlátadás

A dokumentumok gyakran személyes adatokat, pénzügyi adatokat vagy szerződéses részleteket tartalmaznak. Ezért az adatvédelem nem mellékes rész. A fájlátadás legyen átlátható, és a megrendelő tudja, ki fér hozzá az anyaghoz. Nem minden PDF bizalmas, de jobb úgy kezelni, mintha fontos lenne.

Távoli munka esetén érdemes megállapodni abban, hogy a szakember a kész munka átadása után törli-e a forrásfájlokat. Ez különösen hasznos akkor, ha személyes iratokról, egészségügyi dokumentumokról, pénzügyi papírokról vagy belső anyagokról van szó. A fizetés és az átadás módját is jobb előre leírni. Így nincs vita arról, mikor számít késznek a munka.

Én azt tartom jó jelnek, ha a szakember nem kér felesleges hozzáféréseket, nem kéri az eredeti fiókok belépési adatait, és elfogadja, ha a megrendelő csak mintafájlt küld az árajánlathoz. A PDF szövegfelismerés lehet egyszerű feladat, de érzékeny dokumentumoknál a fegyelmezett adatkezelés ugyanannyira fontos, mint a technikai tudás.

Mikor elég az automatikus felismerés

Nem minden munkához kell részletes kézi ellenőrzés. Ha a fájl jól olvasható, a szöveg egyszerű, és a cél csak a keresés, akkor az automatikus felismerés sokszor elég. Ilyenkor gyorsabb és olcsóbb a munka. De ha a szöveget tovább kell szerkeszteni, idézni vagy hivatalos anyagban használni, már nem érdemes kizárólag a gépi eredményre hagyatkozni.

A szövegkinyerés akkor lesz igazán hasznos, ha a végeredmény illeszkedik a célhoz. Egy diák más formátumot kér, mint egy magánügyfél, aki családi iratokat rendszerez. Egy vállalkozó más pontosságot vár, ha számlák adatait szeretné táblázatba kapni. Ezért a feladat elején a cél a legfontosabb kérdés. Nem a program neve.

Tapasztalatom szerint a jó eredmény ritkán látványos. Egyszerűen csak működik. Lehet benne keresni, ki lehet másolni a szöveget, nem csúsznak el a fontos sorok, és a fájl neve is érthető. Ennyi elég ahhoz, hogy a korábban nehezen használható PDF végre valódi munkaanyag legyen.