Оцифровать бумажный архив
Цель
Превратить отсканированные коробки с бумагами в архив с поиском: чистые страницы, текстовый слой, задокументированные свойства, возможность задавать вопросы сразу по всем документам и, если вашему архиву это нужно, версия PDF/A с проверенным отчётом.
Офис закрывается, и 200 отсканированных файлов уходят на хранение. Кто-то должен суметь найти «договор с поставщиком за 2019 год», не открывая их все.
Исходное состояние
- Отсканированные PDF (по одному на документ), не защищённые паролем.
- Вы знаете язык каждого документа.
- Решение о цели: поиск (основа этого рецепта) и/или PDF/A (необязательный последний этап).
Цепочка
Ротация → Выравнивание наклона → Searchable → Сжатие → Извлечение метаданных → (Конвертер → Валидатор PDF/A) → База знаний PDF
прямо ровно текстовый слой уменьшить опись архивный стандарт (по желанию) вопросы по всему архиву
Шаг за шагом
1. Ротация и Выравнивание наклона
Поверните страницы, лежащие на боку, в Ротация PDF (Выбранные страницы), затем запустите на файле Выравнивание наклона (Deskew). Оно выпрямляет небольшие наклоны, но на выходе — изображения страниц, текст не сохраняется. Почему первым: от этого зависит качество распознавания.
2. Searchable
Задайте Язык документа, оставьте включённым Выровнять изображение, отметьте Удалить фон/водяной знак для запачканной бумаги, Формат вывода оставьте «Поисковый PDF» и нажмите Преобразовать. Если приложение просит разделить очень длинный файл, воспользуйтесь Разделение PDF. См. Searchable.
3. Сжатие
Обычный выбор — Средняя; для документов, которые будут печатать, — Низкая. Почему до архивации: текстовый слой увеличил файл. См. Сжатие PDF.
4. Извлечение метаданных
Загрузите файлы; прочитайте панель или CSV (extracted_metadata.csv): заголовок, автор, дата создания и программа-создатель. Используйте это как опись. Приложение только читает; если поля автора неверны, изменить их средствами книги нельзя. См. Извлечение метаданных.
5. Валидатор PDF/A (только если архив требует PDF/A)
Нажмите Validate PDF/A при значении Detect automatically. Ожидайте, что файл, созданный Searchable, будет признан невалидным: валидатор только проверяет и никогда не конвертирует. Чтобы получить PDF/A, воспользуйтесь Конвертером с целевым форматом PDF/A, затем проверьте снова. Весь маршрут объяснён в рецепте Поставка в архивном формате. См. Валидатор PDF/A.
6. База знаний PDF
Загрузите до 10 PDF с поиском (100 МБ) за раз, создайте базу знаний и задавайте вопросы с цитатами страниц. См. База знаний PDF.
Почему именно такой порядок
Сначала приводим в порядок страницы, затем читаем их, затем уменьшаем, затем описываем и проверяем. Опись и проверка PDF/A описывают тот файл, который вы реально будете хранить, поэтому идут после всего, что его переписывает. База знаний PDF — удобство поверх готового текста, и ваш архив она не изменяет.
Ожидаемый результат
PDF с поиском приемлемого размера; CSV с метаданными, где они перечислены; необязательные версии PDF/A с чистым отчётом; и база знаний, у которой можно спрашивать.
Проверьте, что получилось
- Ctrl+F находит слово, которое вы видите, в трёх случайных файлах.
- Поиск в формате PDF по известному имени возвращает копию с пометками (отсутствие результата в файле, где имя есть, означает ошибку распознавания).
- В CSV по строке на файл, а в сводке нет ошибок.
- Вердикт валидатора и счётчики (если использовался); JSON-отчёт сохранён вместе с файлом.
- Статусы в базе знаний PDF — «Done»; ни у одного нет «No text (scanned?)».
Варианты
- Извлечь текст пакетом: Извлечь текст после Searchable даёт по одному .txt на файл плюс общий файл.
- Сохранить оба файла: храните PDF/A как эталон, а PDF с поиском — для ежедневной работы.
- Архив на нескольких языках: запускайте Searchable отдельно для каждой языковой группы.
- Повторить для сотен файлов: см. Повторять цепочку каждый день.
Что может пойти не так
- База знаний PDF хранится около суток: скачайте вики в .zip, потому что по истечении срока база знаний удаляется (пересоберите её из PDF).
- Ошибки распознавания в именах и числах: проверяйте выборочно; исправление с помощью ИИ тоже может менять слова.
- PDF/A «not valid» после Searchable: это нормально; сконвертируйте и проверьте заново.
- Валидатор не умеет исправлять: он сообщает только пункт стандарта, страницу и объект.
- Отсканированные оригиналы этими приложениями не архивируются; сохраните их.