Извлечение, чтение и поиск: как приложения работают вместе
Обзор
Большинство цепочек в этом семействе устроены одинаково: сначала сделать документ читаемым, затем достать или найти нужное. Первый шаг нужен только для сканов; с обычными PDF можно сразу переходить к извлечению.
Типичные цепочки
| Цель | Цепочка | Почему именно в таком порядке |
|---|---|---|
| Отсканированный PDF в архив с поиском | Ротация PDF (Rotation) → Searchable → Сжатие PDF (Compressor) | Исправьте ориентацию до распознавания; текстовый слой увеличивает файл, поэтому сжимайте в самом конце |
| Найти слово в скане | Searchable один раз → Поиск в формате PDF сколько угодно | Распознавание — самая медленная часть; сделайте его один раз и используйте результат повторно (или отметьте «отсканировано» в поиске для разовой задачи) |
| Текст отсканированного PDF в виде .txt | Searchable → Извлечь текст | «Извлечь текст» читает только уже существующий текст |
| Текст с фотографий телефона | Изображение в TXT | Прямо и быстро |
| Фотографии телефона в PDF с поиском | Объединение файлов (Merger) → Searchable | Сначала картинки нужно собрать в PDF |
| Кривой скан | Deskew → Searchable → Извлечь текст | Чистый вход — лучше распознавание |
| Собрать ответы из возвращённых форм | Извлечение данных формы | По одному CSV на форму плюс сводки; извлекайте до «запекания» |
| Полная опись незнакомого PDF | Извлечение метаданных + Парсер PDF | Сначала свойства, затем всё содержимое |
| Использовать картинки из брошюры повторно | Извлечение изображений → Изображение в TXT, если на них есть текст | Сначала картинки, потом текст с них |
| Проверить резюме на соответствие вакансии | Searchable (если скан плохой) → ИИ-анализатор резюме | Анализатор читает сканы и сам, но хороший текстовый слой помогает |
| Понять документ простым языком | Searchable (если это скан) → Ask PDF | ИИ нужен читаемый текст |
Передача эстафеты другим семействам
- Из «Организации»: Ротация PDF и Разделение PDF (Splitter) (очень длинные сканы) — до распознавания; Объединение файлов — чтобы собрать PDF из фотографий.
- Из «Сжатия и восстановления»: Deskew, Unwatermark и Recovery — до распознавания или извлечения; Сжатие PDF — после.
- Из «Защиты»: Разблокировка PDF (Unlock) — перед почти всем, что описано здесь; перед архивированием проверьте файл в PDF/A validator.
- В «Добавление структуры»: Добавить содержание в PDF (Add TOC), когда текст уже доступен для поиска.
- В «ИИ-понимание»: Ask PDF, Abstracts и PDF KB работают с текстом, который вы сделали доступным для поиска здесь.
- Если что-то не получилось: о плохих результатах рассказано в разделе Проблемы качества OCR и ИИ.