Szkennelt PDF-ek ellenőrzése magyar–szlovák ügyintézésben

A szkennelt PDF gyakran csak képek sorozata, ezért a benne látható szöveg nem feltétlenül kereshető vagy másolható. Magyar–szlovák ügyintézésnél az OCR különösen érzékeny az ékezetekre, a pecsétekre és a gyenge kontrasztra. A cél nem pusztán az, hogy a program felismerjen valamit, hanem hogy a fontos adatok az eredeti irattal összevetve is helyesek maradjanak.

Az eredeti képet őrizzük meg

Minden feldolgozást másolaton végezzünk, és az eredeti szkennelt fájlt tartsuk változatlanul. A fájlnév tartalmazhat dátumot és rövid azonosítót, de bizalmas adatot ne tegyünk nyilvános megosztásba. A feldolgozási naplóban rögzítsük, ki készítette a szkennelést, milyen oldalak tartoznak össze, és milyen nyelven szerepel a dokumentum.

A gyenge forrásképet az OCR nem tudja megbízhatóan pótolni. Ellenőrizzük, hogy az oldal egyenes-e, olvasható-e a halvány szöveg, és nem vágódott-e le margó vagy aláírás. Többoldalas iratnál számoljuk meg az oldalakat a felismerés előtt és után is.

A felismerés nyelvét tudatosan válasszuk

Az OCR beállításainál adjuk meg a dokumentum tényleges nyelvét. Magyar és szlovák szöveget tartalmazó iratnál lehet, hogy két külön feldolgozás és összehasonlítás ad jobb eredményt, mint egyetlen általános nyelv. Külön figyeljük az ő, ű, ľ, ĺ, ŕ, č, š, ž és ť karaktereket. A személynév, cím, adószám és bankszámlaszám minden esetben kézi ellenőrzést igényel.

A kereshetőség próbájához keressünk rá néhány ritka szóra és azonosítóra. A sikeres találat még nem bizonyítja, hogy minden szöveg pontos. Másoljunk ki egy rövid bekezdést egyszerű szövegbe, majd hasonlítsuk össze az eredetivel karakterről karakterre.

Válasszuk szét a felismerést és a javítást

Először készítsük el a kereshető réteget, utána vizsgáljuk a bizonytalan szavakat. Ne módosítsuk a jogi vagy pénzügyi tartalmat kizárólag automatikus javaslat alapján. Ha a program a képet is átrendezi, ellenőrizzük, hogy a vizuális megjelenés, aláírások és bélyegzők változatlanok maradtak-e.

A forrásdokumentumban javítható szöveget inkább ott korrigáljuk, majd abból készítsünk új PDF-et. Egy beolvasott irat szerkesztése más feladat, mint a kereshetővé tétele. A végleges fájl ne keverje össze az eredeti bizonyítékot és a később szerkesztett változatot.

Kapcsolt szlovák kínálat átlátható jelöléssel

Ha a szlovák fél saját nyelvén keres szoftverinformációt, a közös Ronsoft tulajdonosi hálózathoz tartozó Real-Soft.sk oldalát használhatja kiindulópontként. Ez kapcsolt webshopra mutató hivatkozás, nem független ajánlás. A kiválasztott terméknél külön ellenőrizni kell az operációs rendszert, a kiadást és azt, hogy a szükséges OCR- vagy PDF-funkció szerepel-e a leírásban.

A vásárlási döntést ne az alapján hozzuk meg, hogy egyetlen mintafájlt sikerült feldolgozni. Teszteljünk nyomtatott iratot, fényképezett oldalt és többnyelvű dokumentumot is. A szervezeti adatkezelési szabályok határozzák meg, milyen fájl tölthető fel felhőszolgáltatásba.

Átadás előtt ismételjük meg a kritikus ellenőrzést

Nyissuk meg újra a mentett PDF-et, keressünk rá a kontrollszavakra, és ellenőrizzük a fontos számokat. Vizsgáljuk meg a fájl oldalszámát, méretét és azt, hogy a szöveg kijelölhető-e. Az átadási jegyzetben jelezzük, hogy a fájl OCR-rel készült, és mely mezőket ellenőrizte ember. Így a fogadó fél nem tekinti automatikusan hibátlannak a gépi felismerést.

Források: Microsoft – PDF megnyitása és szerkesztése Wordben; Gyártói útmutató – szövegfelismerés szkennelt PDF-ben.