Proč vytváříme nad naskenovanými dokumenty textovou OCR vrstvu?

Zpět na seznam článků Rady a Tipy z digitální kanceláře

11 Lis

Proč vytváříme nad naskenovanými dokumenty textovou OCR vrstvu?

Pro budoucí práci s digitalizovanými nebo digitálními dokumenty je vhodné naskenované dokumenty opatřit tzv. OCR textovou vrstvou. Je to však vlastnost, o jejíž existenci mnoho zákazníků neví. Z technického hlediska je naskenovaný PDF dokument pouze obrázek. K čemu slouží OCR vrstva a jaké jsou její výhody?

Typy dokumentů

Dokumenty lze rozděli na 2 základní typy: analogové a digitální. Analogové dokumenty jsou v podobě listinné, na papíře. Digitální dokumenty jsou v podobě elektronické.

Pokud máme listinné dokumenty naskenované, neznamená to, že jsou digitální také po technické stránce. Může jít pouze o obrázek, který jako text na první pohled vypadá. Je však možné s nimi pracovat jako s digitálními? Odpovědí je technologie OCR.

K čemu OCR vrstva slouží?

Z technického hlediska je naskenovaný PDF dokument pouze obrázek. Aby bylo možné s ním dále digitálně pracovat, je nutné opatřit jej textovou vrstvou. Tuto vrstvu vytváří specializované softwary, které digitalizované dokumenty znovu "proskenují", utvoří nad dokumenty textovou vrstvu zajistí strojovou čitelnost. Dokumenty lze jednoduše procházet, vyhledávat v textu dokumentu dle klíčových slov, jako kdyby PDF soubor byl původně vytvořen elektronicky. Software dokáže vyčíst text z naskenovaných dokumentů, který je možné využít např. při fulltextovém vyhledávání. Obrovskou výhodu přináší při větším množství digitalizovaných dokumentů, které jsou vkládány do elektronického archivu, DMS systému apod. Cílem je nehledat v naskenovaných dokumentech (to poté poslání digitalizace ztrácí smysl), ale nacházet to, co potřebujeme mít k dispozici ihned.

Zdroje:https://www.mvcr.cz/clanek/pristupnost-dokumentu.aspx
Autor článku: Petr Polanský