Почему файн ридер сохраняет в уменьшенном формате

Обновлено: 07.07.2024

Совет: Если символы в текстовом окне ABBYY FineReader отображаются некорректно (в словах на месте некоторых букв стоят значки "?" или "□"), это означает, что шрифты, выбранные на закладке Сохранить, не содержат всех символов, входящих в распознаваемый язык. Установите шрифт (группа Шрифты, меню Сервис>Опции, закладка Сохранить), поддерживающий все символы языка документа (например, Arial Unicode MS или Bitstream Cyberbit), и перераспознайте документ. Более подробно о шрифтах для поддерживаемых языков см. раздел "Шрифты, необходимые для корректного отображения символов поддерживаемых языков в редакторе ABBYY FineReader".

Распознанный текст выводится в окно Текст. При сохранении текста в приложение оформление документа сохраняется в соответствии с опциями форматирования, устанавливаемыми на закладке Сохранить и в диалоге Форматы.

Неуверенно распознанные символы выделяются цветом. Вы можете отменить выделение слов с неуверенно распознанными символами: на закладке .Вид (меню Сервис>Опции) снимите отметку с пункта Выделять неуверенно распознанные символы.

Редактор ABBYY FineReader поддерживает два режима просмотра документа: режим с полным сохранением исходного оформления документа и черновой режим просмотра.

В режиме с полным сохранением исходного оформления документа блоки с распознанным текстом, таблицами и картинками отображаются именно там, где они были в исходном изображении. Таким образом, в этом режиме сохраняется исходный вид изображения: колонки, таблицы, картинки и буквицы (большие буквы на несколько строк в абзаце). Блок, в котором находится курсор, является активным. При перемещении курсора с помощью клавиатуры последовательность обхода блоков определяется их порядковыми номерами. Если текст блока не умещается внутри его границ (например, в результате редактирования распознанного текста), то часть текста неактивного блока может быть не видна на экране. Признаком этого являются специальные красные маркеры на границах блока. Когда блок становится активным, его границы расширяются таким образом, чтобы весь его текст был виден на экране целиком.

В черновом режиме редактора не отображаются: левый отступ; выравнивание абзаца (все абзацы прижаты к левому краю); цвет и фон символов. Для показа текста используется шрифт одного размера (по умолчанию 12 пт.). При этом сохраняется шрифт и форматирование текста: полужирный, курсив, подчеркнутый, верхние и нижние индексы.

Переход из одного режима в другой осуществляется нажатием кнопок (режим отображения исходного оформления документа) и (черновой режим редактора) в окне Текст.

Вы можете поменять установленный по умолчанию размер шрифта для показа в черновом режиме. Для этого:

  1. В меню Сервис выберите пункт Опции.
  2. На закладке Вид укажите нужный размер шрифта в пункте Размер шрифта в черновом режиме.

Редактор системы ABBYY FineReader предоставляет следующие возможности по редактированию текста:

Копирование, вырезание, вставка выделенных фрагментов текста

Чтобы скопировать выделенный текст:


После короткого рассказа о том, как устроен ABBYY FineReader (aka «теоретическая часть»), самое время перейти к применению полученных знаний. И да, котиков под катом нет: всё очень серьёзно.

Как пользователю поучаствовать в обработке документа

Чтобы не изобретать велосипед, начну с простой и понятной схемы из Справки (см. рисунок справа).

Теперь, зная список всех операций, посмотрим на примерах – что может пойти не по плану и как с этим бороться.

Хорошо распознаются только хорошие изображения

А что делать, когда изображения есть, но не очень хорошие? Улучшить прямо в FineReader всё что можно, а, если улучшить нельзя, — попытаться получить изображение заново, устранив проблему. Поскольку тема очень обширная, то при должном интересе будет отдельный пост про то, как подружиться с автоматическими и ручными инструментами обработки изображений прямо в FineReader. Пока же ограничусь замечанием, что изображение будет обработано лучше, если оно:

  • (после сканирования) не имеет выраженных геометрических искажений — перекоса или заметного изгиба страниц толстой книги у корешка двухстраничного разворота,
  • (после фотографирования, в дополнение к предыдущему) не имеет ещё и нелинейных геометрических искажений («подушка», «трапеция»), имеет равномерную фокусировку (а желательно и яркость) по всей площади, не имеет шумов от недостаточной освещённости, не имеет выраженной засветки от вспышки (особенно на глянцевой бумаге).

Этап настройки документа/проекта


Можно и нужно сразу указать язык текста, параметры предобработки изображений, некоторые параметры анализа и распознавания. Вот скриншот одной из вкладок диалога настроек.

Эти и прочие настройки подробно описаны в Справке

Этап анализа

Назначение областей разных типов

В пользовательском интерфейсе FineReader доступны области нескольких типов, для них есть разные варианты скрываемой панели свойств (внизу окна «Изображение») и контекстного меню (по щелчку правой кнопкой мыши):

    «Зона распознавания» (по умолчанию серая рамка) — такое название использовано в пользовательском интерфейсе, на мой взгляд правильнее было бы назвать «область для автоматического анализа». Назначение такой области – указать, где на странице вообще нужно искать что-то полезное. Поэтому в результате последующего анализа или анализа+распознавания в пределах каждой «зоны распознавания» может найтись ноль и более областей других типов. Особенно полезны зоны распознавания бывают в шаблонах блоков (подробнее о них в Справке).

Примеры правильно нарисованных зон распознавания


Реальный пример из проекта оцифровки Толстого — часть страниц имеет нумерацию строк (пронумерованы строки с номерами, кратными 10), не нужную в результате и затрудняющую вычитку/правку текста, если автоматический анализ включил эти номера в текстовую область колонки. Если страницы были почти одинаково выровнены на сканере или качественно обрезаны после сканирования, то перед анализом к нужной группе страниц можно применить шаблон блоков, где область (или области) распознавания просто не содержит не нужных нам частей страницы:

Помните, что в отличие от текстовой области область распознавания может превратиться в области разных типов, что бывало нужно и в этом проекте.

Эти параметры задаются на блок, так что выделять текст разного направления или разной инверсности в один блок – другая плохая идея.

В европейских языках в нормальной ориентации текста строки читаются сверху вниз (в блоке с повёрнутым текстом – от логического верха в сторону логического низа), но в случае иероглифических языков всё гораздо веселее – даже на одной странице одни области могут содержать текст в горизонтальной ориентации, а другие – в колоночной, причём иероглифы имеют одинаковую ориентацию во всех этих областях (если тема дальневосточных и ближневосточных языков интересна – просите отдельный пост про тамошние навороты).

Важные соображения

  • Распознавание и синтез видят только те фрагменты текста, которые оказались выделены в текстовые области или текстовые ячейки таблиц. Если кусок текста не выделен в блоки – распознаваться он не будет.
  • Аналогично и с картинками — если часть картинки оказалась вне области или одна целостная картинка оказалась разделена на несколько областей – скорее всего, в результате обработки будут проблемы.
  • Языки распознавания в FineReader задаются не для галочки – они влияют на очень многие механизмы, начиная уже с анализа: например, иероглифический (китайский, японский, корейский языки) или арабский текст имеют много особенностей, которые учитываются не всегда, а только при выборе соответствующих языков распознавания.

Особенности взаимодействия близкорасположенных или пересекающихся областей

    Пересечение текстовых и табличных блоков друг с другом, если есть символы или их части, оказавшиеся в более чем одном блоке – практически всегда ошибка, такие результаты анализа нужно исправлять, тем более что обычно это делается в несколько движений мыши.

Пересечение картиночных областей друг с другом – практически всегда ошибка, хотя и менее критичная для обработки именно текста. Такие случаи тоже желательно исправлять.



Примеры правильного использования картинок в таблице


Обратите внимание, что с помощью галочки в панели свойств области (внизу) ячейки из левой колонки таблицы сделаны картинками.

Текстовая область на фоне «картиночной» области — тоже важный инструмент: на фоне обычных картиночных областей могут находиться подписи к ним, на «фоновых» картиночных областях может располагаться и основной («колоночный») текст документа, а также таблицы.

Примеры правильного использования текстовых областей на фоне картинок



Маленькие хитрости для облегчения работы с блоками

Описанные соглашения отражены в поведении редактора блоков. Например, если вы рисуете новый или растягиваете имеющийся блок так, что он полностью или почти полностью перекрывает другие блоки — эти другие блоки автоматически удаляются.

Логичность/нелогичность выделения областей

Тут самое время подумать — для каких целей и какого формата документ хочется получить в результате обработки. Вот некоторые соображения, влияющие на количество и характер исправлений разметки блоков в сложных случаях:

Вариант 1: нам нужен только текст (возможно, мы этого не понимаем, но дело обстоит именно так)
  • нет «мусорных» областей, где в качестве текста или таблиц распознаются (мусором) элементы картинок или элементов оформления страницы.
  • области логично выделяют строки, не допуская попадания символов в более чем одну область и неоправданного дробления строк на более чем одну область.
  • то, что с точки зрения человека является таблицами в оригинале, должно быть выделено в табличные области. Это влияет как на качество распознавания (например, базовые линии строк в разных ячейках могут быть не выровнены по вертикали), так и на удобство поиска и копирования фрагментов текста в выходном документе.

Если отдельные картинки не должны копироваться из выходного PDF-документа – то такие области можно из документа исключить вовсе (не создавать новые и не оставлять найденные автоматикой, как минимум – удалять нелогично найденные картинки, а если не лень – то и все).

Я надеюсь шире и глубже раскрыть тему «разумности» картинок в статье про сохранение документов — если такая будет интересна читателям данного материала.

Вариант 2: нужно всё и сразу

Если документ, включающий не одно лишь текстовое содержимое (в одну или две колонки), предполагается сохранить сразу как электронную книгу в форматах FB2/e-pub или в любой промежуточный редактируемый формат (Вордовый или HTML) для дальнейшего редактирования и производства электронной книги, то осмысленное выделение таблиц и картинок становится особенно важно.
Среди прочего нужно определиться с тем, что делать с группами рядом расположенных картинок, и что делать с подписями к картинкам, как рядом стоящими, так и накладывающимися на картинки. Подробнее разберём эту тему в «Практикуме», на реальных примерах.

Установка, настройка и работа в компьютерных программах.

Вопрос по Fine Reader 8. Почему при сохранении текста в ворд формат, лист всегда открывается в альбомном виде? Как сделать чтоб он был в книжном?

Здравствуйте, Акимов Виктор!
Проверьте настройки или задайте свои:

Сохранение в формат Word XML возможно только для Microsoft Word 2003.

Опции сохранения для форматов RTF, DOC и Word XML устанавливаются на закладке RTF/DOC/Word XML диалога "Форматы". Для того чтобы открыть этот диалог, щелкните по кнопке Форматы, расположенной на закладке "Сохранить" диалога "Опции" (меню Сервис>Опции) или нажмите CTRL+SHIFT+X.

При сохранении результатов распознавания в форматы RTF, DOC и Word XML ABBYY FineReader использует шрифты, выбранные на на закладке "Сохранить" диалога "Опции", или шрифты, установленные в окне "Текст".

Следующие опции сохранения помогут Вам настроить процесс сохранения и получить документы, пригодные для дальнейшего редактирования и использования. В программе ABBYY FineReader предусмотрены следующие настройки:
Режим сохранения оформления,
Размер бумаги,
Параметры сохранения текста,
Параметры сохранения иллюстраций.
Режим сохранения оформления
Режим сохранения оформления выбирается в выпадающем списке Оформление. Выбор режима сохранения оформления зависит от того, как Вы будете использовать созданный документ в дальнейшем:

Оформление оригинала
Данный режим позволяет получить документ, внешний вид которого будет полностью идентичен оригиналу и рекомендуется для документов сложного оформления, например, рекламных брошюр. Электронный документ будут почти неотличим от бумажного оригинала, однако, этот режим не предполагает внесение значительных правок в текст и оформление.
Колонки, таблицы, абзацы, шрифты
В данном режиме практически полностью сохраняется оформление оригинала, хотя внешний вид создаваемого документа может немного отличаться от оригинала.
Таблицы, абзацы, шрифты
Данный режим позволяет полностью сохранить распознанный текст, однако, оформление оригинала воспроизведено не будет. Данный режим рекомендуется использовать, если требуется лишь текст документа или вы планируете внести значительные изменения в оформление электронного документа.
Размер бумаги
Вы можете указать размер бумаги, который будет использован при сохранении результатов распознавания в формат RTF, DOC и Word XML. Размер бумаги задается в выпадающем списке "Размер бумаги по умолчанию".

Если вы не нашли нужный размер бумаги в списке, вы можете создать свой - пользовательский - размер бумаги и использовать его для сохранения распознанного текста. Для того чтобы создать пользовательский размер бумаги, выберите пункт "Добавить пользовательский размер" и в открывшемся диалоге укажите название, высоту и ширину пользовательского размера бумаги.
Для того чтобы распознанный текст полностью умещался на странице при сохранении, отметьте опцию "Автоматически увеличивать размер страницы". В этом случае выбор размера бумаги будет выполнен автоматически.
Параметры сохранения текста
Значение по умолчанию, установленные для опций сохранения текста, зависят от выбранного режима сохранения оформления.

Сохранять деление на строки
Указывает, что при сохранении распознанного текста в формате RTF/DOC/Word XML разделение на строки будет таким же, как и на исходном изображении.
Сохранять деление на страницы
Указывает, что при сохранении распознанного текста в формате RTF/DOC/Word XML разделение на страницы будет таким же, как и на исходном изображении.
Сохранять цвет текста
Позволяет сохранить исходный цвет букв.
Замечание. Так как программа Word версий 6.0, 7.0, 97 (8.0) использует ограниченное количество цветов для выделения текста и фона, то цвета документа могут быть заменены на цвета, допустимые палитрой Word. Word 2000 версии 9.0 или более поздних такого ограничения не имеет: цвета документа сохраняются полностью.
Удалять мягкий перенос
Позволяет удалить символ мягкого переноса (¬) из распознанного текста. При этом, если отмечена опция Сохранять деление на строки, символы мягкого переноса будут заменены на символы переноса (-).
Выделять неуверенно распознанные символы
Отметьте эту опцию, если Вы собираетесь редактировать распознанный текст в Microsoft Word, а не в окне Текст ABBYY FineReader. Если эта опция отмечена, все неуверенно распознанные символы будут выделены цветом в программе Microsoft Word.
Цвет выделения неуверенно распознанных символов можно изменить на закладке "Вид" в диалоге "Опции" (меню Сервис>Опции).
Совместимость с Microsoft Word 95
Позволяет получить документ, который можно будет отркывать и редактировать в программе Microsoft Word 95.
При сохранении в формате, совместимом с Microsoft Word 95, иллюстрации сохраняются только в формате BMP.
"Открывать окно "Крупный план" в Microsoft Word 2003 (только для формата Word XML) указывает, что при сохранении в формат Word XML распознанное изображение можно будет просматривать в Word в окне "Крупный план". В нем будет отображаться увеличенное изображение редактируемой строки или участка документа.
Параметры сохранения иллюстраций
Для того чтобы при сохранении распознанного текста сохранить и иллюстрации, необходимо отметить опцию "Сохранять картинки" в группе "Картинки".

Читайте также: