اوسینت جت · خواندن دقیق سند
خطای OCR در PDF؛ قبل از نقل‌قول، خودِ صفحه را بخوانیم
در یک PDF اسکن‌شده دنبال نام شرکت می‌گردید؛ هیچ نتیجه‌ای نیست. چند صفحه جلوتر همان نام را با چشم می‌بینید. مشکل از نبود نام در سند نبوده؛ نسخه قابل جست‌وجوی متن آن را درست نخوانده است. همین اختلاف کوچک می‌تواند نتیجه یک تحقیق را عوض کند.
چرا ظاهر PDF درست است، اما متن کپی‌شده نه؟
صفحه اسکن‌شده در اصل یک تصویر است. OCR یا تشخیص نوری نویسه‌ها تلاش می‌کند نشانه‌های روی تصویر را به متن قابل جست‌وجو تبدیل کند. در نتیجه، ممکن است ظاهر صفحه با لایه‌ای که جست‌وجو و کپی‌کردن از آن استفاده می‌کند اختلاف داشته باشد. راهنمای رسمی تشخیص متن Adobe درباره ساخت این لایه و لزوم بررسی نتیجه توضیح می‌دهد.
البته هر به‌هم‌ریختگی متن از OCR نیست. حتی PDF ساخته‌شده در نرم‌افزار واژه‌پرداز هم ممکن است هنگام کپی، ترتیب نامناسبی پیدا کند. ابتدا اختلافی را که دیده‌اید ثبت کنید؛ بعد درباره علتش حرف بزنید. خطای استخراج متن، به‌تنهایی سند را جعلی نمی‌کند و درست خوانده‌شدن واژه‌ها هم اصالت سند را ثابت نمی‌کند.
پرسش کاربردی این است: آیا قسمت قابل مشاهده صفحه، همان واژه، عدد و رابطه‌ای را تأیید می‌کند که می‌خواهم در گزارش بنویسم؟
از یک بند مهم شروع کنید
لازم نیست برای آغاز کار، کل سند را دوباره تایپ کنید. بخشی را انتخاب کنید که نتیجه شما به آن وابسته است و این مسیر را بروید:
- نسخه دریافتی را نگه دارید. نشانی دریافت یا زمینه تحویل فایل و زمان دریافت را ثبت کنید. بررسی و OCR دوباره را روی نسخه کاری انجام دهید و خروجی جدید را جدا ذخیره کنید.
- جای بند را دقیق بنویسید. شماره صفحه در نمایشگر PDF ممکن است با شماره چاپ‌شده روی کاغذ فرق داشته باشد. «صفحه ۹ فایل، صفحه چاپی ۷، جدول دوم» نشانی قابل پیگیری‌تری است.
- متن کپی‌شده را با تصویر مقایسه کنید. روی نام، شناسه، تاریخ، مبلغ، واحد و واژه‌های نفی حساس باشید. حذف «نیست» گاهی از ده غلط املایی معمولی مهم‌تر است.
- اطراف عبارت را هم بخوانید. عنوان ستون، برچسب ردیف، پاورقی یا جمله قبل ممکن است معنای عدد را تغییر دهد. عدد درست در ستون اشتباه، هنوز نتیجه غلط می‌سازد.
- وضعیت را روشن ثبت کنید. بنویسید «با تصویر تطبیق داده شد»، «رونویسی اصلاح شد» یا «در این نسخه خوانا نیست». یک رقم مبهم را فقط چون منطقی به نظر می‌رسد تکمیل نکنید.
در سند طولانی، ابتدا تمام قسمت‌هایی را بررسی کنید که می‌خواهید به آن‌ها استناد کنید. بعد با نمونه‌خوانی بخش‌های دیگر، محدودیت جست‌وجو را بسنجید. درست‌بودن چند صفحه اجازه نمی‌دهد بگویید تمام دویست صفحه بدون خطاست. ادعای «این نام هیچ جای سند نیست» به پوشش بسیار بیشتری نیاز دارد.
وقتی جست‌وجو چیزی پیدا نمی‌کند
نام کامل را به یک بخش کوتاه و متمایز تبدیل کنید و بخش‌های محتمل سند را هم با چشم بخوانید. شاید نام در انتهای سطر شکسته شده، یکی از حروف اشتباه تشخیص داده شده یا آن صفحه اصلاً متن قابل استفاده نداشته باشد. در یادداشت بنویسید کدام شکل‌های نام و کدام صفحه‌ها را بررسی کرده‌اید.
«در متن استخراج‌شده تطبیقی پیدا نشد» با «سند هیچ اشاره‌ای به شرکت ندارد» فرق دارد. جمله اول حدود بررسی شما را نشان می‌دهد؛ دومی درباره کل سند حکم می‌دهد.
اگر خودِ واژه ناخواناست، بزرگ‌نمایی فقط جزئیات موجود را بهتر نشان می‌دهد. اطلاعاتی را که هنگام اسکن ثبت نشده، برنمی‌گرداند. نسخه واضح‌تر بخواهید یا جای ابهام را علامت بزنید. شباهت با حرفی در سطر کناری می‌تواند یک احتمال بسازد، اما جای خواندن قطعی را نمی‌گیرد.
سه برگه تمرین، سه جور نتیجه اشتباه
مثال‌های زیر ساختگی و آموزشی‌اند. این‌ها خروجی آزمایش Acrobat، Tesseract یا اوسینت جت نیستند. در تمرین فرض کنید ستون «آنچه روی صفحه دیده می‌شود» دقیقاً به همان شکل خواناست.
| محل | متن کپی‌شده | آنچه روی صفحه دیده می‌شود |
|---|---|---|
| صفحه ۴، شناسه مرجع | AB-O18 | AB-018؛ نویسه بعد از خط تیره صفر عددی است. |
| صفحه ۷، جدول هزینه پروژه | 2024 2025 / 41 14 | زیر ستون ۲۰۲۴ عدد ۱۴ و زیر ستون ۲۰۲۵ عدد ۴۱ آمده است. واحد جدول «هزار» است. |
| صفحه ۱۱، یادداشت تمدید | واجد شرایط تمدید است | جمله کامل: «در این گروه، واجد شرایط تمدید نیست.» |
پیش از خواندن پاسخ، برای هر ردیف دو جمله بنویسید: چه چیزی را می‌توان اصلاح کرد؟ چه چیزی هنوز از این مدرک معلوم نمی‌شود؟
- شناسه: رونویسی بررسی‌شده AB-018 است. متن اشتباه اولیه را هم در یادداشت نگه دارید. اصلاح یک حرف به عدد، هنوز صادرکننده یا اصالت شناسه را معلوم نمی‌کند.
- هزینه‌ها: رابطه ستون‌ها را بازسازی کنید: سال ۲۰۲۴ برابر ۱۴ هزار و سال ۲۰۲۵ برابر ۴۱ هزار. صرفاً مرتب‌کردن فهرست اعداد کافی نیست. اگر در اطلاعات بررسی‌شده نام ارز نیامده، خودتان آن را اضافه نکنید.
- تمدید: هم «نیست» و هم محدودیت «در این گروه» باید حفظ شود. متن استخراج‌شده معنا را وارونه کرده است؛ اصلاح آن هم درباره گروه‌های دیگر چیزی به ما نمی‌گوید.
جدول فقط مجموعه‌ای از کلمه‌ها نیست؛ جای آن‌ها هم اطلاعات است. مستند رسمی بهبود کیفیت Tesseract به مسئله چیدمان، کجی صفحه و دشواری استخراج داده جدول بدون تقسیم‌بندی مناسب اشاره می‌کند. پس علاوه بر رقم‌ها، ارتباط ردیف و ستون را هم بررسی کنید.
برگه ثبت اختلاف؛ کوتاه ولی قابل پیگیری
این شش عنوان را در یادداشت تحقیق کپی کنید. هدف این است که نفر بعدی مجبور نباشد مسیر شما را از اول حدس بزند.
| منبع و نسخه | این فایل مشخص از کجا و در چه زمانی دریافت شده است؟ |
|---|---|
| صفحه و محدوده | شماره صفحه فایل و چاپی، بند یا خانه جدول. |
| متن استخراج‌شده اولیه | خروجی ابزار را همان‌طور که بوده نگه دارید. |
| خوانش از روی تصویر | فقط نویسه‌های قابل تشخیص؛ همراه با علامت ابهام برای بقیه. |
| زمینه عبارت | عنوان، واحد، پاورقی و واژه‌های اطراف که روی معنا اثر دارند. |
| اثر روی نتیجه | آیا این اصلاح شناسه، مقدار یا برداشت نهایی را تغییر می‌دهد؟ |
در Acrobat مسیر All tools → Scan & OCR → Correct recognized text برای بررسی موارد مشکوک تشخیص متن وجود دارد. راهنمای اصلاح خطای Adobe مقایسه تصویر و متن را توضیح می‌دهد. اصلاح‌ها را روی نسخه کاری انجام دهید و بندهای تعیین‌کننده را هم خودتان بخوانید؛ پایان‌یافتن فهرست بررسی نرم‌افزار، گواه بی‌خطابودن تمام متن نیست.
اجرای OCR با تنظیمات دیگر یا ابزار دوم می‌تواند خوانش دیگری به شما بدهد. اگر دو خروجی اختلاف دارند، به صفحه برگردید؛ اگر توافق دارند هم بند مهم را تطبیق دهید. دو ابزار که یک تصویر کم‌کیفیت را می‌خوانند، دو منبع مستقل درباره واقعیت بیرونی نیستند.
اول خوانش را حل کنیم، بعد دامنه تحقیق را بزرگ‌تر کنیم
اختلاف نام نویسنده در ویژگی‌های فایل را باید در بررسی متادیتای PDF دنبال کرد. اشتباه‌خواندن شماره مرجع، موضوع این راهنماست. جدا نگه‌داشتن این دو کار نمی‌گذارد یک خطای رونویسی تبدیل به داستانی درباره سازنده سند شود.
اگر اصلاح متن، ادعای مهمی را تغییر می‌دهد، اصل بند، متن استخراج‌شده و یادداشت تطبیق را کنار هم آماده کنید. در درخواست تحقیق تخصصی اوسینت جت می‌توانید همین اختلاف مشخص را برای تعیین دامنه بررسی مطرح کنید. پیش از سفارش کار، روشن کنید کدام بخش‌ها باید بررسی شود و خروجی مورد انتظار چیست.
برای گزارش نهایی، قالب گزارش تحقیق کمک می‌کند مشاهده، رونویسی و برداشت را جدا بنویسید. خواننده باید هم بداند سند چه می‌گوید و هم ببیند شما چگونه از آن به نتیجه رسیده‌اید.
منتشرشده توسط تحریریه اوسینت جت · ۵ اکتبر ۲۰۲۶
ادامه مسیر اوسینت
سرنخ‌های خام را به یک تحقیق ساختارمند در اوسینت جت تبدیل کنید
برای نتیجه بهتر، فقط به یک سرنخ اکتفا نکنید. شماره تلفن، ایمیل، یوزرنیم، دامنه، نام شرکت، تصویر، شهر، لینک شبکه اجتماعی و توضیح زمینه پرونده را کنار هم قرار دهید تا موتور اطلاعاتی اوسینت جت تحلیل دقیق‌تری بسازد.