ממסמך סרוק לטקסט שאפשר לחפש: מדריך מעשי

ארכיון של מסמכים סרוקים נראה מסודר: תיקיות, שמות קבצים, אולי אפילו תאריכים. אבל כשמחפשים בו משהו, מגלים שהוא ארון נעול. חיפוש של שם ספק לא מוצא כלום, אי אפשר להעתיק סכום, ואי אפשר לסכם עשרות מסמכים בלי לפתוח אותם אחד אחד. המדריך הזה מסביר למה זה קורה, ואיך הופכים סריקות לטקסט ולנתונים שאפשר לעבוד איתם.

למה סריקה היא לא טקסט

סורק ומצלמת טלפון מייצרים תמונה. גם כשהתמונה שמורה כקובץ PDF, היא עדיין תמונה של טקסט: המחשב רואה נקודות צבע, לא אותיות. לכן חיפוש בתוך הקובץ לא מוצא את המילים שאתם רואים על המסך.

בדיקה של עשר שניות: פתחו את הקובץ ונסו לסמן מילה בעכבר, או חפשו מילה שמופיעה בעמוד (Ctrl+F). אם אי אפשר לסמן, או שהחיפוש לא מוצא כלום, יש לכם תמונה בלבד.

שלושה סוגים של PDF

הסוג השלישי מטעה במיוחד בעברית. סורקים רבים מוסיפים שכבת טקסט אוטומטית, אבל בעברית היא יוצאת לא פעם עם מילים הפוכות, מספרים שהתפרקו או שורות בסדר שגוי. מדביקים את הטקסט ומקבלים "םולש" במקום "שלום".

מה צריך לקבל מהמרה טובה

• טקסט בסדר קריאה נכון: מימין לשמאל, עם מספרים ומילים באנגלית במקום הנכון בתוך השורה.
• מספרים שלמים: סכום כמו 1,234.50 צריך לצאת בדיוק כך, ולא 1,234 ו-50 בשתי שורות.
• טבלאות כטבלאות: שורות ועמודות, לא טקסט רציף שצריך לפרק ביד.
• שדות: במסמכים עסקיים, הערכים החשובים בנפרד: ספק, תאריך, מספר מסמך, סכומים.

תהליך מעשי בחמישה צעדים

1. מיינו לפני שממירים. הפרידו בין חשבוניות, קבלות, מכתבים וטבלאות. כל סוג מפיק נתונים אחרים, וקל יותר לבדוק קבוצה אחידה.
2. בדקו את האיכות. עמוד מטושטש, חתוך או מוצל יפיק טעויות. עדיף לסרוק מחדש עמוד אחד מאשר לתקן עשרים ערכים. במדריך הצילום והסריקה יש רשימת בדיקה.
3. המירו מסמך אחרי מסמך. ב-OCR-AI גוררים קובץ, וכל עמוד נקרא בנפרד. התוצאה מופיעה תוך כדי קריאה: סוג המסמך, השדות, הטבלאות והטקסט המלא.
4. בדקו את מה שסומן. ערך שהמנוע לא היה בטוח בו מסומן לבדיקה. לחיצה על שדה מסמנת את מקומו בעמוד, כך שמשווים למקור בלי לחפש.
5. ייצאו לפורמט שמתאים לשימוש. טקסט לחיפוש ולארכיון, אקסל לנתונים, JSON למערכות אחרות.

איפה לשמור את התוצאה

טקסט מועיל רק אם מוצאים אותו. שתי שיטות פשוטות:

• קובץ טקסט ליד כל סריקה, באותו שם. חיפוש במחשב או בכונן המשותף ימצא את הטקסט, והשם יוביל לסריקה המקורית.
• גיליון מפתח לארכיון: שורה לכל מסמך, עם שם הקובץ, התאריך, הספק והסכום. "כל המסמכים לאקסל" בונה אותו מהמסמכים שפתוחים בסביבת העבודה, קבוצה בכל פעם, עם גיליון לכל סוג מסמך. מהגיליון הזה מסננים, ממיינים ומסכמים בלי לפתוח מסמך אחד.

מה עדיין דורש עין אנושית

קריאה אוטומטית טובה מבעבר, אבל לא מושלמת. כתב יד, חותמות שעולות על הטקסט, צילום של צילום והעתקים דהויים הם המקומות שבהם יש יותר טעויות, וחתימות לא נקראות כערך. כשמסמך משמש להחלטה כספית או משפטית, בדקו את הערכים החשובים מול המקור.