Jak wyszukiwać w zeskanowanych dokumentach?
Zeskanowana strona to tylko obraz. Da się w niej wyszukać słowa tylko wtedy, gdy ma warstwę tekstu; automatyczne rozpoznawanie (OCR) jest dostępne wyłącznie dla języka rumuńskiego.
Krótka odpowiedź
- OCR to optyczne rozpoznawanie znaków: tekst na obrazie staje się tekstem, który można przeszukiwać. U nas OCR działa tylko dla dokumentów po rumuńsku.
- Skanowanie daje tylko obraz; bez OCR jego treści nie znajdzie żadna wyszukiwarka.
- Dla dokumentów po rumuńsku rozpoznawanie uruchamia się automatycznie przy wgraniu i dodaje warstwę tekstu nad obrazem; w innych językach tekst musi już istnieć albo zostać wpisany ręcznie.
- Potem wyszukasz wszystko, co jest w dokumencie: nazwisko, NIP, numer kancelaryjny, datę lub kwotę.
Co mówią przepisy (w skrócie)
- Warstwa tekstu nie zmienia dokumentu: przechowywany jest oryginalny obraz, a rozpoznany tekst jest indeksem wyszukiwania, a nie nową wersją.
- Prawdziwym indeksem archiwum pozostaje rzeczowy wykaz akt i podział na teczki; warstwa tekstu go uzupełnia, ale nie zastępuje.
- RODO, art. 5 ust. 1 lit. e: tekst wyodrębniony ze skanu zawiera te same dane osobowe i podlega tym samym okresom przechowywania.
- Zeskanowane dowody księgowe nadal podlegają okresom z art. 74 ustawy o rachunkowości i art. 86 Ordynacji podatkowej.
Przykłady z praktyki
- Wpisujesz „protokół odbioru hala 2” i dostajesz cztery wyniki spośród 3500 zeskanowanych stron.
- NIP kontrahenta zapisany w treści pisma staje się wyszukiwalny, choć nie ma go w nazwie pliku.
- Przy 200 skanowanych stronach dziennie ręczne indeksowanie zajęłoby około dwóch godzin; dla rumuńskiego OCR robi to przy wgraniu.
- Akta osobowe z 2014 r., zeskanowane wstecznie, można wyszukać po nazwisku pracownika jeszcze tego samego dnia.
Częste błędy
- Skanuje się w 150 dpi lub mniej i dokładność rozpoznawania wyraźnie spada; praktycznym progiem jest 300 dpi.
- Strony są krzywe albo sfotografowane telefonem, bez automatycznego prostowania.
- Szuka się bez polskich znaków, choć rozpoznany tekst je zawiera.
- Zakłada się, że wszystkie słowa skanu są przeszukiwalne: przy piśmie odręcznym wynik jest częściowy.
- Rezygnuje się z wykazu akt, bo „i tak wszystko da się wyszukać”.
Jak pomaga 4docs
- Automatyczne rozpoznawanie przy wgraniu dokumentów po rumuńsku, także przy masowym imporcie starego archiwum.
- Wyszukiwanie pełnotekstowe w treści dokumentów, a nie tylko w nazwach plików.
- Łączone filtry według roku, rodzaju dokumentu, działu i okresu przechowywania.
- Wyniki wyszukiwania pełnotekstowego prowadzą bezpośrednio do dokumentu, w którym występuje dane słowo.