TIFF naar TXT omzetten

Vrijwel niets komt per ongeluk als TIFF binnen. Het komt van een scanner, een documentbeheersysteem, een archief- of records-afdeling, of een faxpoort — en het is meestal papierwerk: contracten, correspondentie, claims, dossiers, medische gegevens, notulen.

Dat verandert wat de klus is. Niemand probeert een alinea van een foto over te typen; iemand probeert een reeks documenten doorzoekbaar te maken, of citeerbare tekst uit een archief te halen, of cijfers uit een stapel formulieren. De omvang is groter en de nauwkeurigheid telt zwaarder.

Alles wat een telefoonfoto lastig maakt, ontbreekt. De pagina ligt vlak tegen glas, dus is er geen perspectief. De belichting is gelijkmatig, dus is er geen schaduw over de tekst. De resolutie is bekend en consistent. En een scanner staat door constructie precies op de juiste afstand scherp.

Het praktische resultaat is dat schoon gedrukte letters op 300 dpi bijna perfect terugkomen. Dat is echt een hogere verwachting dan de fotopagina's op deze site kunnen bieden, en het is waarom herkenningswerk op schaal gedaan wordt uit scans en niet uit foto's.

Resolutie eerst. Onder ongeveer 200 dpi zijn er niet genoeg beeldpunten per teken en valt de nauwkeurigheid snel weg; 300 dpi is de werkstandaard en 600 is de moeite waard voor klein lettertype of slechte originelen.

Dan het origineel zelf. Faxen zijn het slechtste gewone geval — laag opgelost naar ontwerp, vaak meerdere kopieergeneraties diep. Doorslagen, verkleurd thermisch papier, documenten met stempels of handschrift over de druk, en typemachineletters met kapotte tekens leveren allemaal fouten op. Net als een scan die scheef is uitgekomen, wat je beter voor de herkenning corrigeert dan erna.

Een scanner produceert vaak één TIFF met elke pagina van een document erin. Alleen het eerste beeld in het bestand wordt gelezen, en er is geen paginaregelaar om verder te komen, dus geeft een scan van tien pagina's de tekst van pagina één terug en verder niets. Niets kondigt de andere negen aan — de uitvoer stopt gewoon.

Bij documenten die per pagina gescand zijn kost dat niets. Bij een bundel is dit het punt waarop het eerlijke antwoord is dat de pagina's gescheiden moeten worden voordat ze hier komen, door de scanner of het dossiersysteem dat de TIFF schreef. Deze pagina is voor de documenten die je nu echt moet lezen, niet voor het digitaliseren van een archiefkast.

Herkenning matcht vormen tegen letterbeelden. Het begrijpt het document niet en kan niet aangeven waar het onzeker was, dus wat terugkomt is vloeiende, compleet ogende tekst die fouten kan bevatten die niemand markeerde.

In archiefwerk telt dat zwaarder dan gewoonlijk. Een verkeerd gelezen cijfer in een polisnummer, een datum, een bedrag of een dossiernummer is precies de fout die een vluchtige lezing overleeft en later een echt probleem veroorzaakt. Alles dat een systeem, een bundel of een citaat in gaat, moet tegen de pagina waar het vandaan komt gecheckt worden.

Voor een archief gooit platte tekst weg wat een scan het bewaren waard maakt: het beeld van de pagina, wat de vastlegging is. Een doorzoekbare PDF houdt dat beeld en zet er een tekstlaag achter, dus blijft het document er nog steeds als zichzelf uitzien, drukt het nog steeds als zichzelf af, en is het doorzoekbaar en kopieerbaar.

Platte tekst is de juiste uitvoer als je de woorden zelf wilt — om te citeren, te indexeren, ergens in te voeren, te tellen. Het is de moeite waard om te beslissen welke van de twee je echt nodig hebt voordat je honderd bestanden omzet, want de twee werkwijzen lopen meteen uiteen.

Herkenning gebeurt in het browsertabblad op je eigen processor. Er wordt niets geüpload, dus is er geen serverkopie, geen bewaartermijn om over te vragen, geen account en geen daglimiet.

Gezien wat er typisch in deze bestanden staat — getekende contracten, patiëntgegevens, gerechtelijke stukken, verzekeringsclaims — is dat het inhoudelijke verschil met een gehoste dienst en geen kenmerk uit een productbeschrijving. Het haalt ook de lastige vraag weg of het sturen van de documenten van een cliënt naar een derde partij iemands toestemming nodig had.