OCR și căutare full-text în documente

Търсене по пълен текст в документи

Търсене в съдържанието на документите с текстов слой — намирате документа по това, което пише в него, не по името на файла. За сканирани български документи: текстов слой или ръчна проверка.

Архив, съставен от сканирани изображения без текст, е кутия със снимки: знаете, че документът е там, но можете да го намерите само ако си спомните къде сте го сложили. Търсенето по пълен текст решава именно този проблем, но с ясна граница: при документи, които съдържат текст — електронно създадени PDF файлове и текстови документи — съдържанието се индексира при качването и документът става търсещ по всяка дума от него. Разпознаването на текст от сканирания (OCR) е налично за румънски документи. За български сканирания е необходим текстов слой в самия файл или ръчна проверка на ключовите метаданни, защото без тях съдържанието на изображението не се индексира.

Индексиране на съдържанието при качване на PDF файлове и текстови документи, които вече съдържат текст.
Разпознаване на текст от сканирания (OCR) — налично за румънски документи; за български сканирания е нужен текстов слой или ръчна проверка.
Търсене по думи и изрази в индексираното съдържание.
Комбинирано търсене: думи от текста плюс филтри по метаданни (вид, дата, отдел, издател, категория).
Открояване на намерения фрагмент директно в страницата на документа, за да видите защо е намерен.
Запазване и повторно използване на търсене за периодичните проверки.
Резултатите спазват правата за достъп и не ги заобикалят.
Ръчно попълване на ключови метаданни за документи, чийто текст не може да се индексира — така намирането не зависи изцяло от разпознаването.

Как работи търсенето по текст, накратко

За компютъра сканът е изображение: точки, без смисъл. Текстовият слой е съдържанието, което се индексира. PDF файл, създаден електронно, вече съдържа текст и се индексира директно. Сканиран документ без текстов слой се индексира само след разпознаване на символите, което за румънски документи се извършва с OCR. За български сканирания разпознаването не е налично, затова трябва да се качи версия с текстов слой или да се въведат ключовите метаданни ръчно. Върху индексирания текст се изгражда индекс, който позволява бързо търсене, без да се преглежда всеки документ отново. Платформата винаги пази оригиналното изображение заедно с извлечения текст — текстът служи за търсене, изображението остава документът.

Търсене в съдържание плюс филтри по метаданни

Търсенето само по текст дава твърде много резултати, а търсенето само по метаданни предполага, че някой ги е попълнил правилно. Комбинацията от двете работи на практика. Започвате с дума или израз, който сигурно присъства в документа, и стеснявате с филтрите, които вече имате: период, отдел, категория от номенклатурата, издател. Резултатите показват фрагмента от текста, в който е намерено съвпадението, за да различите бързо търсения документ от подобните му. Същото търсене може да се запази и да се използва повторно — полезно при периодични проверки, при които въпросът се повтаря всеки месец.

Ключовите метаданни — когато текстът не стига

Най-отнемащата време част от дигитализирането на архив не е сканирането, а попълването на метаданните. При документи, чийто текст не може да се индексира — сканирани български документи без текстов слой, както и ръкописни такива, — най-сигурният път е да попълните ръчно няколко ключови полета: дата, номер, издател, сума. Така намирането не зависи от съдържанието. За големи партиди от един и същи вид документи шаблон за попълване може да се дефинира веднъж и да се приложи към цялата партида.

Ограничения и как да избегнете изненадите

Трябва да кажем честно и ограниченията. Ръкописният текст не се индексира надеждно. При български сканирания без текстов слой съдържанието не се търси; при румънски документи разпознаването е възможно, но при ръкописни документи и при печати върху текста то остава непълно. Практически това означава, че търсена дума може да липсва от индекса, въпреки че присъства на хартия. Препоръката е проста: за критичните категории попълвайте ръчно няколко ключови метаданни, за да не зависи намирането изцяло от текста, и сканирайте с добро качество от самото начало — повторното сканиране струва повече от добре направеното първо сканиране.

Referințe legale

Регламент (ЕС) 2016/679 (GDPR) — текстът, извлечен от документите, може да съдържа лични данни; достъпът до резултатите от търсенето следва същите права като достъпа до самия документ
Закон за Националния архивен фонд — търсенето и намирането на документите от фирмения архивен фонд
Закон за счетоводството — счетоводните документи, които се търсят, се пазят по сроковете, определени в закона

Întrebări frecvente

Кои файлове могат да се индексират?

PDF файлове и текстови документи, които вече съдържат текст, се индексират директно. Сканирани изображения се индексират след разпознаване, което е налично за румънски документи. За български сканирания без текстов слой трябва да се качи версия с текстов слой или да се попълнят метаданните ръчно.

Работи ли търсенето с български документи?

Да, по начина, описан по-горе: търсенето работи върху български текст, който вече е наличен в документа като текстов слой. Разпознаването на текст от сканирани български документи не е налично — за тях използвайте текстов слой или ръчна проверка на метаданните.

Ръкописният текст се разпознава?

Само частично и непостоянно. Печатният текст се индексира добре; ръкописният текст и формулярите, попълнени на ръка, остават ненадеждни. За такива документи препоръката е да попълните ръчно няколко ключови метаданни, за да не зависи намирането от разпознаването.

Колко време отнема индексирането?

Обикновено секунди на страница, в зависимост от размера и сложността на документа. Индексирането се извършва във фонов режим при качване, така че никого не блокира: документът е достъпен веднага, а търсенето по съдържание става активно, щом индексирането приключи.

Мога ли да търся в архив, качен преди индексирането да е включено?

Да, ако документите имат текстов слой. Съществуващите документи могат да бъдат изпратени за повторно индексиране, поотделно или на партиди, и след това стават търсещи по съдържание, както новите.

Търсенето показва документи, до които нямам достъп?

Не. Резултатите спазват правата за достъп: документ, който нямате право да виждате, не се появява в списъка и не се разкрива чрез фрагмента от текста. Търсенето не е заобиколен път около правата.

Articole utile

Електронно архивиране →Структурата по фонд и опис, върху която се полага търсенето.Защитено споделяне →Правата за достъп, които филтрират и резултатите от търсенето.Как работи OCR при сканирани документи? →Обяснение по стъпки, качество на сканирането и реалните ограничения.Какво означава архивиране с правна стойност? →Защо разпознатият текст не заменя оригиналния документ.Абонаменти и цени →Свържете се с екипа →

Направете архива търсещ

Индексираме документите с текстов слой и ви показваме как да подготвяте сканираните български документи, така че всеки да бъде намерен по това, което пише в него.

Vezi abonamente Contactează un consultant