המרת PDF סרוק לטקסט: חיפוש, תיקון והכנה ל־Word

המרת PDF סרוק לטקסט נעשית באמצעות OCR: בוחרים את הקובץ, מגדירים עברית כשפת המסמך, מפעילים זיהוי ומורידים PDF שאפשר לחפש ולהעתיק ממנו. לפני שמסתמכים על התוצאה, בדקו שמות, מספרים ותאריכים; אם הדפים עקומים או הפוכים, הפעילו את תיקוני העמוד לפני הזיהוי.

איך ממירים PDF סרוק לטקסט שאפשר לחפש בו?

PDF סרוק הוא בדרך כלל אוסף תמונות של דפים. הוא נראה כמו מסמך רגיל, אבל הקורא אינו מזהה בו מילים: חיפוש לא מחזיר תוצאות, אי אפשר לבחור משפט, והעתקה עשויה להחזיר ריבוע או לא להחזיר דבר. OCR מזהה את צורות האותיות ומוסיף שכבת טקסט מאחורי תמונת הדף. המראה של העמוד נשאר דומה למקור, אך אפשר לחפש בו ולהעתיק ממנו.

כך מבצעים את התהליך בכלי OCR PDF:

1. פתחו את הכלי ולחצו על „בחרו קובצי PDF”. אפשר גם לגרור קובץ PDF לכל מקום בדף או להדביק קובץ.
2. באזור Document language בחרו לפחות שפה אחת שמופיעה במסמך. למסמך בעברית בחרו עברית.
3. פתחו את האפשרויות הנוספות אם ברצונכם לבחור אילו עמודים ייסרקו או להפעיל תיקוני עמוד.
4. לחצו על „זיהוי טקסט”. במסמך ארוך הזיהוי עשוי להימשך כמה דקות, ולכן השאירו את הלשונית פתוחה עד לסיום.
5. כאשר מופיעה הודעת השלמת הזיהוי, לחצו על „Download the searchable PDF” ושמרו את הקובץ שהתקבל.

התוצאה היא עדיין קובץ PDF, לא מסמך Word, אבל היא כוללת טקסט ניתן לבחירה. אפשר לעבד כמה קבצים באותה פעולה; כל קובץ מעובד בנפרד.

PDF Toucan אינו דורש חשבון, אינו מוסיף סימן מים, ואין מגבלה יומית לכלי הדפדפן. פעולת ה-OCR מתבצעת בשרתי האיחוד האירופי: הקובץ נשלח באמצעות HTTPS, מעובד בזיכרון בלי להיכתב לדיסק או להישמר, ונמחק לאחר הורדת התוצאה או לכל המאוחר לאחר 10 דקות. אם מדובר במסמך שאסור לו לצאת מהמכשיר בשום נסיבות, העדיפו תוכנת OCR לא מקוונת.

מה OCR עושה לקובץ סרוק ומה הוא לא מתקן?

OCR הוא קיצור של Optical Character Recognition, זיהוי תווים אופטי. המנוע בוחן פיקסלים בתמונת הסריקה, משווה אותם לאותיות ולמילים האפשריות בשפות שנבחרו, וממקם תווים מזוהים בשכבת טקסט. לכן אפשר להשתמש בחיפוש, לבחור טקסט ולהעתיק פסקאות גם כאשר הדף המקורי הוא צילום.

עם זאת, OCR אינו תמלול מושלם ואינו מבטיח מסמך מוכן לעריכה בלי בדיקה. איכות הסריקה קובעת במידה רבה את איכות הזיהוי:

• סריקה חדה של דפוס ברור מפיקה לרוב תוצאה טובה יותר מצילום טלפון כהה או מטושטש.
• דפים עם הצללות, קמטים, חותמות, סימני מים או פקס דהוי עלולים לייצר אותיות שגויות.
• כתב יד, פונטים דקורטיביים, תיבות טופס צפופות וטבלאות מורכבות קשים יותר לזיהוי.
• מספרים ותווים דומים דורשים תשומת לב מיוחדת, למשל 0 מול O, או 1 מול l במסמכים באנגלית.

חשוב להבין ששכבת הטקסט מסייעת בחיפוש ובהעתקה; היא אינה הופכת בהכרח את מבנה הדף, הטבלה או העיצוב למבנה מושלם שאפשר לערוך. למסמכים משפטיים, כספיים או רפואיים יש להשוות תמיד למקור הסרוק.

אילו שפות לבחור לזיהוי טקסט בעברית ובמסמך דו־לשוני?

בחירת שפה אינה רק הגדרת תצוגה. היא מסייעת למנוע הזיהוי להחליט אם צורה מסוימת היא אות עברית, אות לטינית, ספרה או סימן. לכן יש לבחור רק את השפות שבאמת מופיעות בקובץ.

1. למסמך שכולו בעברית בחרו עברית בלבד.
2. אם יש חוזה או טופס הכולל עברית ואנגלית, בחרו את שתי השפות.
3. אם יש גם עמודים ברוסית, ערבית או שפה אחרת, הוסיפו אותה רק כשהיא חלק ממשי מהמסמך.
4. הימנעו מבחירה של כל השפות „ליתר ביטחון”. שפות נוספות מאטות את העיבוד ועלולות להגדיל החלפות תווים לא רצויות.

אפשר לשלב עד חמש שפות בריצה אחת. הכלי תומך ב-30 שפות ובכתבים שונים, ובהם עברית, לטיני, קירילי, יווני, ערבי, דוונאגרי, תאילנדי, סיני, יפני וקוריאני. אם במסמך מעורבות שתי שפות בלבד, הבחירה המדויקת והמצומצמת היא בדרך כלל הטובה ביותר.

איך מיישרים דפים עקומים והופכים דפים הפוכים לפני OCR?

סריקה נטויה או עמוד שמסובב ב-90 מעלות יכולה לפגוע בזיהוי, במיוחד בשורות עבריות צפופות ובמסמכים עם עמודות. באזור Page fixes זמינות שתי פעולות שימושיות:

1. הפעילו „Straighten tilted pages” כאשר השורות נראות באלכסון, גם אם הנטייה קלה. הכלי מנסה ליישר את הדף כדי שהשורות ייקראו אופקית.
2. הפעילו את תיקון כיוון העמוד האוטומטי כאשר עמודים נסרקו הפוכים או על הצד. אפשרות זו מועילה במיוחד בקובץ שמכיל גם עמודים לאורך וגם טבלאות לרוחב.
3. בדקו כמה עמודים מייצגים לאחר ההורדה: עמוד ראשון, עמוד אמצעי ועמוד אחרון. כך אפשר לזהות בעיית סיבוב שחלה רק על חלק מהמסמך.

יש מגבלה חשובה: יישור דפים אינו זמין כאשר בוחרים „Recognize existing text again”. אם הקובץ מכיל שכבת טקסט ישנה ושגויה וגם דפים עקומים, שקלו „Treat every page as an image” רק לאחר שמירת עותק של המקור והבנת המחיר של אפשרות זו.

מתי לסרוק מחדש טקסט קיים ומתי להשאיר אותו?

לא כל PDF הוא סריקה טהורה. קובץ מעורב יכול לכלול מכתב שנוצר במחשב, אחריו נספחים סרוקים, ואולי עמודים עם OCR ישן ולא מדויק. אפשרויות העמוד קובעות מה יזוהה מחדש.

התחילו בדרך כלל ב-„Scan pages without text”. היא משאירה עמודים דיגיטליים תקינים ללא שינוי ומטפלת בעמודים הסרוקים. עברו לזיהוי מחדש רק כאשר יש סימן ברור לבעיה, למשל מילה שמופיעה לעין אך אינה נמצאת בחיפוש, או טקסט מועתק שאינו קריא.

OCR משנה את תוכן הקובץ כדי להוסיף את שכבת הטקסט. לכן חתימה דיגיטלית קיימת אינה נשארת תקפה לאחר הפעולה. שמרו את הקובץ החתום המקורי ללא שינוי, והשתמשו בעותק החיפוש לצורכי בדיקה, חיפוש, העתקה או עבודה נוספת.

איך בודקים שהטקסט שזוהה נכון ואיך ממשיכים ל־Word?

אל תסתפקו בהודעת סיום הזיהוי. בדיקת איכות קצרה מונעת טעויות יקרות, בעיקר במסמכים הכוללים פרטי זיהוי, סכומים או מועדים.

1. פתחו את ה-PDF החיפוש שהורדתם בקורא PDF הרגיל שלכם.
2. לחצו על Ctrl+F ב-Windows או על ⌘+F ב-macOS וחפשו שם משפחה, כותרת, תאריך, מספר חשבונית או מונח ייחודי שאתם רואים בעמוד.
3. בדקו מונחים בעמודים שונים, ולא רק בתחילת הקובץ. ייתכן שחלק אחד נסרק היטב וחלק אחר פחות.
4. סמנו משפט קצר, העתיקו אותו והדביקו לעורך טקסט. השוו למקור, תוך תשומת לב לעברית, מספרים, סימני פיסוק ומילים באנגלית.
5. אם הזיהוי חלש, ודאו שבחרתם את השפה הנכונה, הפעילו תיקון כיוון במקרה הצורך, או נסו זיהוי מחדש של שכבת טקסט בעייתית.

אם מטרתכם היא לערוך את הטקסט ב-Word, סדר הפעולות חשוב:

1. בצעו תחילה OCR והורידו את ה-PDF שבו אפשר לחפש.
2. פתחו את כלי המרת PDF ל־Word, לחצו על „בחרו קובצי PDF” ובחרו את קובץ ה-PDF שעבר OCR.
3. לחצו על „המרה ל־Word”. לאחר הסיום הורידו את הקובץ באמצעות „Download the Word document”.
4. פתחו את קובץ ה-DOCX ב-Word והשוו אותו מול ה-PDF, במיוחד בטבלאות, כותרות, הערות שוליים וטקסט רב-עמודי.

המרה ישירה של PDF סרוק ל-Word אינה מבצעת זיהוי טקסט: העמודים הסרוקים מתווספים למסמך Word כתמונות. לכן הם אינם הופכים לפסקאות הניתנות לעריכה. ביצוע OCR קודם נותן להמרה טקסט שאפשר לעבוד איתו, אך גם לאחר מכן כדאי לבצע הגהה ידנית. לאחר סיום העבודה אפשר לשקול שימוש בכלי compress כדי להקטין קובצי סריקה גדולים.

שאלות נפוצות

האם אפשר להפוך PDF סרוק לעברית לקובץ שאפשר לחפש בו?

כן. בחרו את הקובץ בכלי OCR PDF, הגדירו עברית תחת Document language ולחצו על „זיהוי טקסט”. לאחר ההורדה, ה-PDF המתקבל נשאר בעל מראה סרוק, אך כולל שכבת טקסט שמאפשרת חיפוש, בחירה והעתקה של תוכן שזוהה.

האם OCR משנה את מראה הדפים בקובץ PDF?

בדרך כלל הדף ממשיך להיראות כמו הסריקה המקורית, מפני שהטקסט המזוהה נוסף כשכבה מאחורי התמונה. אם מפעילים יישור דפים או תיקון כיוון, ייתכן שהעמוד יסתובב או יתיישר. המטרה היא לשפר את הקריאות ואת דיוק הזיהוי, לא לעצב מחדש את המסמך.

למה חיפוש בטקסט שזוהה מחזיר תוצאות שגויות?

הזיהוי תלוי בחדות המקור, בשפות שנבחרו ובמבנה העמוד. צילום מטושטש, חותמת, כתב יד, מספרים צפופים או טבלה יכולים לגרום להחלפות תווים. נסו לחפש חלק מהמילה, בדקו את בחירת השפות, והפעילו מחדש זיהוי אם שכבת הטקסט הקודמת שגויה.

האם אפשר להמיר PDF סרוק ל־Word כדי לערוך את הטקסט?

אפשר, אך יש לבצע OCR קודם. כלי PDF ל-Word ממיר עמודים סרוקים ללא טקסט לתמונות בתוך DOCX, ולכן אין בהם עריכה טקסטואלית. לאחר יצירת PDF חיפוש באמצעות OCR, המירו את העותק הזה ל-Word ובדקו היטב את התוצאה מול הסריקה המקורית.