OCR załączników

OCR załączników to rozpoznawanie tekstu w skanach i obrazach dołączonych do wiadomości, umożliwiające ich przeszukiwanie.

Jak działa OCR załączników w wiadomościach

OCR załączników, czyli optyczne rozpoznawanie znaków, polega na analizie obrazu zawartego w pliku i przekształceniu widocznych znaków na dane tekstowe. Mechanizm może pracować na zeskanowanym dokumencie zapisanym jako PDF, obrazie JPEG, PNG, TIFF lub innym pliku graficznym dołączonym do wiadomości. Sam skan jest obrazem złożonym z pikseli, dlatego zwykłe wyszukiwanie tekstu nie znajduje w nim słów. Warstwa OCR tworzy dodatkową reprezentację tekstową, którą można przeszukiwać, kopiować i wykorzystywać w dalszym obiegu dokumentów.

Podczas rozpoznawania analizowany jest układ strony, położenie wierszy, odstępy między znakami oraz kształty liter i cyfr. W zależności od użytego oprogramowania wynik może zostać zapisany jako tekst w dokumencie, niewidoczna warstwa tekstowa w pliku PDF albo osobny rekord w indeksie wyszukiwania. W przypadku wiadomości e-mail system może przetwarzać załącznik przy odbiorze, podczas indeksowania skrzynki albo dopiero po uruchomieniu wyszukiwania. To, czy załącznik będzie dostępny w wynikach, zależy więc nie tylko od samego rozpoznawania, ale również od sposobu przechowywania i indeksowania rezultatów.

Obraz dokumentu a rzeczywista warstwa tekstowa

Nie każdy plik PDF wymaga OCR. Dokument może zawierać tekst utworzony bezpośrednio w edytorze, a wtedy znaki są zapisane jako dane tekstowe i można je wyszukiwać bez rozpoznawania obrazu. Inaczej wygląda sytuacja, gdy PDF zawiera wyłącznie zeskanowane strony. Taki plik może otwierać się prawidłowo i wyglądać jak dokument tekstowy, lecz bez warstwy tekstowej wyszukiwanie frazy, numeru faktury czy nazwy firmy nie przyniesie rezultatu. OCR dodaje do obrazu informacje pozwalające powiązać rozpoznane słowa z odpowiednimi obszarami strony.

Jakość rozpoznania zależy od parametrów źródłowego obrazu. Znaczenie ma rozdzielczość skanu, ostrość, kontrast, równomierne oświetlenie, prostokątne ułożenie kartki oraz czytelność użytego kroju pisma. Przekrzywiona strona może zostać najpierw wyprostowana, a szare tło usunięte. Drobne znaki, rozmazanie, kompresja JPEG, pieczątki nachodzące na tekst i zapis odręczny zwiększają liczbę błędów. OCR nie odtwarza znaczenia dokumentu w sposób identyczny z człowiekiem, lecz klasyfikuje kształty znaków na podstawie obrazu. Z tego powodu litera „O” może zostać pomylona z cyfrą „0”, a „l” z cyfrą „1”, zwłaszcza w słabej jakości skanie.

Wyszukiwanie, indeksowanie i kontrola wyników

Po rozpoznaniu tekst musi zostać przekazany do mechanizmu indeksującego. Indeks jest strukturą danych, która zapamiętuje występowanie słów i pozwala szybko odnaleźć wiadomości lub załączniki bez ponownego analizowania każdego obrazu. Wyszukiwanie może obejmować pełną treść dokumentu, nazwę pliku, temat wiadomości albo tylko wybrane pola. Jeżeli aplikacja pocztowa indeksuje samą wiadomość, ale pomija zawartość załączników, poprawnie wykonany OCR nie będzie widoczny w wynikach wyszukiwania.

Wynik rozpoznawania warto traktować jako dane pomocnicze, a nie bezwarunkowo pewną transkrypcję. Przy dokumentach zawierających numery seryjne, kwoty, daty, adresy lub symbole techniczne należy porównać znalezioną treść z oryginalnym obrazem. Szczególnej kontroli wymagają tabele, kolumny i dokumenty wielojęzyczne, ponieważ kolejność odczytu może różnić się od kolejności wizualnej. Problemy mogą także wynikać z braku właściwego pakietu językowego, nieobsługiwanego formatu pliku, uszkodzonego załącznika albo ograniczenia aplikacji, która nie indeksuje plików zapisanych jako obrazy. Ponowne indeksowanie może pomóc dopiero wtedy, gdy sam dokument jest dostępny i silnik OCR został prawidłowo skonfigurowany.

Rola komputera podczas pracy z załącznikami OCR

Na laptopie lub komputerze PC można sprawdzić, czy załącznik jest obrazem, PDF-em z warstwą tekstową, czy dokumentem już przetworzonym przez OCR. Pomocne jest zaznaczenie fragmentu tekstu kursorem oraz próba skopiowania kilku słów. Jeżeli nie da się zaznaczyć znaków, plik prawdopodobnie zawiera tylko obraz i wymaga rozpoznania. Przy problemach z wyszukiwaniem należy również sprawdzić, czy plik został zapisany lokalnie, czy aplikacja pocztowa ma dostęp do jego zawartości oraz czy indeks systemowy obejmuje katalog, w którym przechowywane są załączniki.

Warszawskie Pogotowie Komputerowe zajmuje się profesjonalną naprawą laptopów, komputerów PC i ich podzespołów, dlatego może pomóc w diagnostyce problemów z otwieraniem załączników, działaniem aplikacji pocztowej, indeksowaniem plików oraz konfiguracją oprogramowania potrzebnego do pracy z dokumentami OCR. Zakres czynności zależy od objawu: osobno sprawdza się stan pliku, ustawienia programu, dostępne składniki systemu i obciążenie komputera podczas przetwarzania większej liczby stron.