OCR ćirilice i latinice i PDF/A: šta obrada pročita sa skena
Sken na ćirilici, ugovor na latinici, dopis na engleskom — sve tri vrste teksta postaju pretraživ tekst po strani i arhivska verzija u PDF/A-2b, a original ostaje netaknut.
Ukratko
- Podrazumevani jezici prepoznavanja su srpski na ćirilici, srpski na latinici i engleski; organizacija ih može promeniti.
- Tekst se čuva po strani, sa izvorom i položajem reči, pa latinični upit nalazi ćiriličnu stranu i pogodak vodi na tačnu stranu.
- Arhivska verzija je podrazumevano PDF/A-2b sa tekstualnim slojem; original se ne menja, a potpisan PDF se ne šalje na OCR.
- Kada OCR servis ne radi, dokument se ipak unosi, a arhivska verzija i tekst stižu naknadno.
- Nad pročitanim tekstom NG Copilot odgovara na pitanja sa citatom tačne strane, na oba pisma.
Kratak odgovor: kada sken ili fotografija stigne u NG DMS, obrada pravi tekst svake strane kroz OCR za srpski na ćirilici, srpski na latinici i engleski, a zatim arhivsku verziju u formatu PDF/A-2b sa tekstualnim slojem. Original se ne menja. Uz to se određuju jezik sadržaja i datum dokumenta, a za liste i pregled nastaje sličica prve strane.
Zašto su ćirilica i latinica poseban problem
U istu pisarnicu stižu rešenja na ćirilici, ugovori na latinici i dopisi na engleskom. Ako je prepoznavanje podešeno samo za jedno pismo, drugo izlazi kao niz pogrešnih znakova i dokument se posle ne može pronaći. Zato su podrazumevani jezici tri: srp+srp_latn+eng. Organizacija ih menja u podešavanjima, a isti jezici određuju i nazive meseci koje prepoznavanje datuma razume.
Drugi deo problema rešava pretraga: tekst svake strane čuva se i u normalizovanom obliku, pa upit napisan latinicom nalazi ćiriličnu stranu i obrnuto. Kako se traži opisano je na stranici Pretraga i pregled.
Šta obrada radi, redom
- Tekst gde ga već ima. U podrazumevanom režimu OCR radi samo na stranama bez tekstualnog sloja; strana koja već ima tekst zadržava ga.
- Rezervni put. Ako prepoznavanje da manje od 50 znakova, ponavlja se prisilno. Ako ni to ne uspe, ide prolaz koji preskače strane koje ne može da iscrta, a na kraju ostaje tekst originala.
- Arhivska verzija. Nastaje PDF/A-2b sa tekstualnim slojem; organizacija može izabrati i drugi nivo PDF/A ili običan PDF. Preuzimanje podrazumevano daje arhivsku verziju.
- Sličica. Prva strana postaje sličica širine 500 piksela, za liste i pregled.
- Jezik. Određuje se bez modela: pismo prepoznaje ćirilicu, a između latinice i engleskog odlučuju česte reči i slova č, ć, ž, š i đ. Kada nije jasno, polje ostaje prazno — prazno je bolje od pogrešnog.
Svaki korak se upisuje u dnevnik obrade sa ishodom rečima: urađeno, preskočeno i zašto, ili neuspešno i sa kojom porukom.
Tekst po strani, ne jedan veliki blok
Tekst se čuva po strani i verziji, sa izvorom (tekstualni sloj, OCR, običan tekst ili ručna ispravka) i položajem reči na strani. Zato pogodak u pretrazi vodi na tačnu stranu, a ne samo na dokument. Granice postoje — na primer 200.000 znakova po strani — ali se tekst nikad ne seče prećutno: verzija tada dobija oznaku indeks nepotpun.
Office, e-pošta i potpisani PDF
- Word, Excel, PowerPoint i OpenDocument pretvaraju se u PDF/A, a tekst se čita iz te arhivske verzije.
- Poruke .eml i .msg postaju PDF/A sa zaglavljem, telom i spiskom priloga; slike i spoljni sadržaj iz HTML poruke se ne učitavaju.
- Potpisan PDF se ne šalje na OCR. Njegova arhivska verzija je sam original, pa potpis ostaje važeći.
Kada OCR servis ne radi
Prepoznavanje radi u zasebnom servisu bez izlaza na mrežu, a svaki zahtev dobija privremeni direktorijum koji se posle ne čuva. Ako servis privremeno nije dostupan, dokument se ipak unosi sa tekstom originala, a zadatak kaže da arhivska verzija i OCR stižu naknadno. Administrator zatim jednom komandom pravi ono što nedostaje.
Datum sa papira. Redosled izvora datuma je: zadata vrednost, metapodaci fajla, prvi važeći datum iz sadržaja, pa naziv fajla ako je to uključeno. Kod skena metapodaci fajla često nose datum skeniranja, pa datum odštampan na dokumentu tada ostaje predlog. Da li će se redosled izvora moći podešavati, još se odlučuje.
Od teksta do odgovora
Kada je tekst svake strane pročitan, nad njim radi i NG Copilot: odgovara na pitanje svojim rečima, sa citatom koji otvara tačnu stranu, i izvlači iznose, datume i brojeve u polja dokumenta. Za loše skenove i rukom pisane beleške Copilot dopunjuje klasičan OCR, a korisnik potvrđuje predlog. Arhivska verzija sama po sebi nije pouzdano elektronsko čuvanje — razliku objašnjava tekst Pouzdano elektronsko čuvanje: šta jeste, a šta nije.
Ceo tok od fajla do dokumenta opisan je na stranici Unos i obrada. Ako želite da ga vidite na svojim skenovima, zakažite demonstraciju.
Česta pitanja
Koje jezike NG DMS prepoznaje na skenu?
Podrazumevano srpski na ćirilici, srpski na latinici i engleski. Organizacija može da promeni listu jezika u podešavanjima OCR-a.
Da li OCR menja originalni fajl?
Ne. Original ostaje kakav je stigao, a pored njega nastaje arhivska verzija u PDF/A-2b sa tekstualnim slojem. Potpisan PDF se ne šalje na OCR, pa je njegova arhivska verzija sam original.
Da li pretraga latinicom nalazi dokument na ćirilici?
Da. Tekst se čuva i u normalizovanom obliku, pa se ćirilica i latinica nalaze međusobno.
Šta ako OCR servis ne radi kada stigne dokument?
Dokument se ipak unosi sa tekstom originala, a zadatak kaže da arhivska verzija i OCR stižu naknadno. Administrator ih posle pravi jednom komandom.
Da li NG DMS prepoznaje rukopis?
Za rukom pisane beleške i loše skenove klasičan OCR dopunjuje NG Copilot, koji predlaže tekst i vrednosti polja; korisnik potvrđuje predlog pre upisa.
Želite da vidite kako ovo izgleda u NG DMS-u?
Pokažemo vam na demonstraciji, na primerima iz vaše pisarnice — od skena do odgovora NG Copilot-a. Bez obaveze.