Convertire BMP in TXT

Nessuno scannerizza in BMP di proposito oggi. I file che arrivano qui sono stati scritti da un driver di scanner degli anni novanta, da un gateway fax, da un dispositivo multifunzione con un firmware vecchio, o da un sistema di documenti Windows che gira silenziosamente in un ufficio archivi da vent’anni. Microsoft pubblicò il formato nel 1987 e l’intestazione da 40 byte che quei file portano nel 1990; il registro lo marca come legacy e gli archivi che ha prodotto sono ancora lì.

Questo dà forma al lavoro. Questo è raramente una pagina e una domanda — è una directory, o una condivisione, o un’esportazione da un sistema in dismissione, e le parole devono uscire perché il sistema che poteva leggerle sta andando via. Significa anche che nessuno può tornare indietro e scansionare di nuovo, che è la differenza tra questa pagina e ogni altra pagina OCR del sito: una fotografia può essere rifatta e uno screenshot può essere rifatto a dimensioni maggiori, ma un fax del 1997 di una lettera firmata è buono quanto lo sarà mai.

Poiché un BMP costa tre byte per pixel senza compressione, la sua dimensione è aritmetica e funziona al contrario. Una pagina A4 scannerizzata a 300 dpi è 2.480 per 3.508 pixel e circa 26 MB. La stessa pagina a 150 dpi è 1.240 per 1.754 e circa 6,5 MB. Un file misurato in centinaia di kilobyte è stato scannerizzato a una risoluzione troppo bassa per essere letto in modo affidabile.

È una cosa utile da verificare prima di convertire un archivio piuttosto che dopo. La risoluzione è il singolo predittore più forte di come andrà il riconoscimento, è fissata al momento della scansione, e con un BMP potete leggerla dalla dimensione del file senza aprire nulla. Ordinare la directory per dimensione è quindi un ordinamento approssimativo per come andrà il riconoscimento, che è un pezzo di triage insolitamente economico — e che funziona solo perché il formato non comprime nulla, quindi nulla del contenuto interferisce con il numero.

Una grande parte della scansione legacy era bilevel: ogni pixel forzato al nero puro o al bianco puro al momento della scansione, perché una pagina memorizzata a un bit per pixel occupava un ottavo dello spazio e lo spazio su disco era il vincolo. Le immagini fax sono lo stesso per definizione.

Il riconoscitore vuole il grigio. I bordi anti-aliased e i tratti parziali sono ciò che gli permette di distinguere una e da una c, e la soglia li ha rimossi prima che il file esistesse — le grazie sottili svaniscono, il testo sbiadito si rompe in frammenti, e il testo in grassetto sanguina in una macchia. Niente lo recupera, e nessuna impostazione su questa pagina compensa. Se la carta esiste ancora, scansionare di nuovo in scala di grigi a 300 dpi vale più di qualsiasi quantità di elaborazione. C’è una piccola consolazione: una pagina A4 bilevel a 300 dpi è circa 1,1 MB anziché 26, quindi un archivio di esse è una frazione della dimensione che un archivio di scansioni a colori sarebbe stato, che è esattamente perché è stata scannerizzata in quel modo.

Ogni risultato mantiene il nome file originale con l’estensione cambiata, quindi l’ordine dei file di testo è l’ordine dei bitmap — che è ciò che il sistema di imaging ha deciso nel 1998. Nomi come SCAN0001 attraverso SCAN0912 si ordinano correttamente; nomi che finiscono in numeri non riempiti no, e un insieme che arriva alla pagina 10 la metterà direttamente dopo la pagina 1.

La modalità di fallimento da tenere d’occhio è quella silenziosa. Una pagina su cui il riconoscitore non ha trovato nulla torna come file vuoto piuttosto che come errore, quindi un foglio separatore bianco, una pagina scannerizzata capovolta e una pagina il cui contrasto l’ha sconfitta appaiono tutti identici nella directory di output. Ordinare i risultati per dimensione e aprire i più piccoli richiede un minuto e li trova tutti.

Inglese, tedesco, francese e spagnolo hanno modelli qui, e la scelta non è un suggerimento. Il riconoscitore abbina le forme contro le forme delle lettere e il vocabolario di una lingua, e data quella sbagliata non fallisce — restituisce la corrispondenza più vicina dentro un set che non contiene la risposta giusta.

Il sintomo è un testo che è fluente e sbagliato: umlaut tedeschi storpiati, accenti francesi caduti, parole che quasi esistono. Su un archivio vale la pena farlo bene sul primo file piuttosto che sul centesimo, perché un lotto letto nella lingua sbagliata produce una directory di output plausibile di cui nessuno si accorge che è rotto fino a molto dopo.

Questo è l’unico motore sul sito che può essere sicuramente sbagliato piuttosto che solo imperfetto. Un convertitore che trasforma un bitmap in un PNG o funziona o lancia; questo restituisce un testo che sembra esattamente un testo che dica o meno ciò che la pagina diceva, senza alcun marcatore sulle parti di cui non era sicuro.

Leggete l’output contro l’originale, e leggete prima i numeri. Una cifra letta male in un totale di fattura, in un riferimento di conto o in una data è precisamente l’errore che sopravvive a una scorsa veloce del risultato e causa un problema reale mesi dopo. Le cifre sono anche il caso peggiore per il riconoscimento, perché non c’è un vocabolario dietro di esse — una lettera sbagliata di solito produce una parola che non è una parola, e una cifra sbagliata produce un numero perfettamente plausibile. Su un archivio, un controllo a campione di una pagina ogni venti è il minimo che rende l’output utilizzabile come prova di qualcosa, e tenere i bitmap è ciò che lo rende correggibile dopo.

Testo semplice: niente intestazioni, niente colonne, niente tabelle, niente posizioni sulla pagina. Una lettera o un memo a colonna singola torna in ordine e si legge correttamente, il che copre una buona parte di ciò che si trova in un archivio di documenti.

Qualsiasi cosa strutturata si degrada. Una pagina a due colonne può tornare con le colonne intercalate, perché il riconoscitore legge attraverso righe che sembrano righe. Un modulo perde la connessione tra un’etichetta e il valore accanto, e una tabella diventa una corsa di numeri senza indicazione di quale colonna provenissero. Per quelli, aspettatevi di lavorare sul risultato o di gestirli pagina per pagina.

Tesseract normalmente recupera tre cose da una CDN di terze parti: il suo script worker, il suo core WebAssembly e il modello linguistico. Lasciato come viene, quello sono tre richieste a qualcun altro che portano il vostro indirizzo e l’URL della pagina su cui siete — su un sito la cui intera pretesa è che il documento non sia affare di nessun altro.

Tutte e tre sono servite da questa origine invece, e un test fallisce se un URL CDN riappare. Il bitmap stesso non sarebbe andato da nessuna parte in nessun caso; il punto è che una persona che legge una busta paga o un referto medico non dovrebbe avere il fatto annunciato a terzi come effetto collaterale degli strumenti.

Lasciate cadere la cartella. Ogni file è riconosciuto a turno e i risultati tornano insieme, mantenendo i nomi file originali con l’estensione cambiata. Il motore è avviato una volta per la lingua che avete scelto e mantenuto tra i file, quindi un lotto di quaranta paga l’avvio di alcuni secondi una volta invece di quaranta volte.

È ancora la cosa più lenta di questo sito di un margine ampio, e il tetto di 100 MB per file — circa 33 megapixel di bitmap — non è il vincolo. Il tempo lo è. Avviate un archivio grande, lasciatelo, e controllate i primi risultati prima di lasciarlo: un’ora di riconoscimento nella lingua sbagliata è un’ora spesa due volte.

Se le scansioni sono leggibili ma il prodotto consegnabile è un documento piuttosto che una trascrizione, convertire i bitmap in PDF e mantenere le immagini è di solito ciò che il destinatario voleva davvero — l’estrazione del testo conta solo se qualcuno deve cercare o riutilizzare le parole.

E se il riconoscimento torna scarso sulle prime pagine, la conclusione onesta è spesso che l’archivio non è abbastanza buono per essere letto automaticamente. Un fax bilevel a 200 dpi di una copia carbone ha un soffitto che nessuno strumento supera. Scoprirlo dopo cinque pagine invece di cinquecento è la cosa più utile che questa pagina può offrire.