Откройте PDF и скопируйте несколько строк со сложной страницы. Сравните их с оригиналом. Сохранились ли числа, условия и частица «не»? Можно ли найти исходную страницу? Затем прочитайте тот же файл программой, которая будет готовить документы для поиска, и сравните результаты.
В PDF может быть текст, изображение скана или их сочетание. Документация pypdf объясняет ограничения извлечения и отдельно рассматривает PDF с распознанным текстом. OCR — это распознавание текста на изображении. На своём файле проверьте, предусмотрено ли распознавание сканов в выбранной конфигурации ХАРОН и как она считывает текст. pypdf, извлечение текста
Проверка за один проход по образцу
- Откройте файл и выберите обычный абзац, заголовок, фрагмент с числом и наиболее сложную страницу.
- Скопируйте текст в простой редактор. Посмотрите, сохранились ли слова, порядок строк, отрицания и знаки.
- Запишите, на какой странице и в каком разделе находится каждый фрагмент. Сравните печатный номер страницы с номером в просмотрщике.
- Передайте тот же файл на пробное извлечение выбранным инструментом. Сравните его вывод с исходной страницей.
- Сохраните найденную ошибку и ожидаемую строку. После изменения обработки повторите именно эту проверку.
При копировании просмотрщик сам выбирает порядок строк. Другая программа может прочитать их иначе. Поэтому сравните с оригиналом и тот текст, по которому будет искать система.
Учебная страница с двумя колонками
Представим инструкцию по обслуживанию прибора. В левой колонке написано «Перед проверкой отключить питание», в правой — «После проверки закрыть крышку». Внешне порядок понятен. Если извлечение чередует строки колонок, получается предложение, которого автор не писал. Контрольный вопрос «что сделать перед проверкой?» поможет обнаружить потерю последовательности.
| Фрагмент образца | Что сравнить | Действие при расхождении |
|---|---|---|
| Две колонки | Порядок предложений и условия «перед» / «после» | Изменить способ извлечения и повторить вопрос |
| Слово с переносом | Сохранилось ли слово целиком и находится ли оно по запросу | Сверить с оригиналом, как программа соединила части слова |
| Строка «не включать» | Сохранилась ли частица «не» | Остановить использование и сверить подготовленный текст |
| Таблица сроков | Какой заголовок относится к каждой цифре | Подготовить отдельное представление таблицы |
| Колонтитул | Не попадает ли повторяемая строка между частями предложения | Проверить правила очистки на нескольких страницах |
Adobe показывает, что логический порядок чтения PDF можно менять отдельно от визуального расположения. Поэтому проверка тегов и чтения полезна при подготовке доступного документа. Поведение конкретного поискового извлечения всё равно нужно наблюдать отдельно. Adobe, порядок чтения PDF
Если перед вами скан
Для скана потребуется отдельное распознавание текста, если выбранная обработка сама его не выполняет. В руководстве Adobe после OCR рекомендуется проверять полноту и точность результата. Особенно внимательно сверяйте отрицания, коды, числа и единицы. Adobe, распознавание сканов
Сохраните исходное изображение и связь распознанного фрагмента со страницей. Если скан трудно прочитать, попросите у владельца цифровой оригинал инструкции. Ручное исправление распознанного текста следует отмечать в паспорте корпуса, иначе позже будет непонятно, откуда появился текст, отличающийся от файла.
Как принять подготовленный файл
Задайте несколько вопросов к проверенным фрагментам, откройте найденный источник и сверяйте ответ с изображением страницы. Затем возьмите другую страницу того же типа. Исправление одного удачного примера не доказывает корректность всего многостраничного файла.
В протоколе укажите файл, инструмент и его версию, страницу, дефект, исправление и результат повторного прогона. Поддержка формата, точность OCR и восстановление таблиц остаются отдельными свойствами выбранной обработки. Эта методика позволяет обсуждать их на конкретных наблюдениях.
Связанные материалы
Подготовка таблиц · Паспорт корпуса
Сложные образцы и ожидаемые фрагменты можно включить в проверку пилота.
