OCR Extractor

產品介紹

當企業內部儲存資料的檔案類型越來越多，僅提供文字檔案的全文檢索，對企業用戶而言，等同於非文字檔案資料的損失。

你一定這樣想過：


  • 重要的紙本文件經掃描後可轉成數位化的圖形檔案，但這樣的檔案內容，卻只能提供閱讀，內容文字無法被搜尋或輕鬆再利用。
  • 市面上OCR辨識軟體對中文的辨識能力不高，取得的文字檔案錯漏百出，還需要大量的人力進行校正後才可使用。

根據研究報告指出，企業內有93%的資料以數位方式儲存，換句話說，剩餘的7%還以紙本形式存在的資料，反而是更重要的資訊。當這些紙本資料經掃描轉成圖形檔案並儲存在電腦裡後，卻只能依靠開啟檔案來確定文件的內容，內容文字不能被搜尋，也難以再利用，文件的價值無法彰顯，也失去了將它數位化的美意。


將圖形檔案也納入全文檢索的範圍之內，才能確定涵蓋了企業用戶想要的大部份資料。OCR Extractor可透過OCR將圖形檔案中的文字擷取出來並建立索引。讓使用者輕鬆以搜尋的方式取得圖形檔案的文字內容。




產品特色

可針對各種圖形檔案類型（目前支援 BMP、JPEG、PDF、TIFF、GIF 以及 PNG）做文字擷取，並開放參數做辨識結果調整。

辨識PDF檔時有五種辨識的模式：

  1. 智慧型模式：自動辨識文字和圖形，當有文字的時候就會省略圖形的辨識
  2. 純文字模式：只會單純的抽取出PDF文字的部份
  3. 圖形模式：會將該PDF檔中的TIFF檔拆解出來，並且存放在目前用戶的暫存目錄底下（例如：%USERPROFILE%\Local Settings\Temp）。然後交由OCR元件針對拆解出來的TIFF檔個別做 OCR 辨識，再將辨識結果合併起來
  4. 文字圖形模式：為上述文字和圖形兩個模式，全部處理後並合併輸出，視作是該 PDF 檔的辨識結果
  5. 將每頁PDF的內容描繪成一張張影像檔，忽略內含的任何文字資訊，只處理圖形資料

辨識檔案之前會先檢查來源檔案的副檔名與實際檔案格式是否相符，如果不相符則會拒絕辨識






| More