ABBYY FineReader 10, OCR dokumentů a Kindle

Koupíte si tištěnou knihu a máte fantastickou čtečku elektronických knih - Amazon Kindle. Co uděláte? Knihu vložíte do scanneru a pomocí OCR převedete do formátu, kterému Kindle rozumí. Zabere vám to celé zhruba hodinu až dvě.

Zkoumal jsem různá OCR řešení a jako nejlepší v současné době se mi jeví ABBYY FineReader 10 Professional. Prodává se v krabicové verzi za cca 3.000 Kč + DPH (SW.cz).

Co se mi na něm hlavně líbí? ABBYY FineReader funguje rychle a spolehlivě, OCR je bezchybné, obsahuje řadu slovníků (několik desítek), spolupracuje s Microsoft Wordem při kontrole pravopisu, umí se učit nové znaky, rozezná záhlaví, zápatí a čísla stránek a správně je označí v rozpoznaném dokumentu (takže nejsou součástí textu knihy).

Základem je samozřejmě naskenování dané knihy (používám Canon MP640 multifunkční tiskárnu / skener; kniha v ukázce je Pište správně česky - poradna šílených korektorů). Skenování je maximálně zjednodušeno přes WIA/TWAIN ovladače, takže jen otáčíte listy knihy a mačkáte tlačítko "Skenovat", podle potřeby můžete ale samozřejmě použít nativní ovladače skeneru:

skenování knihy

Následně si můžete určit jazyky, které budou použity pro rozpoznání tohoto dokumentu - k dispozici je jich několik desítek, včetně podpory pro speciální technické a matematické symboly:

jazyky rozpoznávaného textu

ABBYY FineReader 10 automaticky rozpozná jednotlivé oblasti textu, obrázků, tabulek a záhlaví a převede je do upravitelného textu, v tomto případě bez jediné chyby (pouze písmeno "O", co vypadalo v originále jako "0", převedl jako číslici, což se ale nedá chápat jako chyba):

ABBY FineReader 10

Pokud je to potřeba, můžete snadno v textu opravit pravopis, vidíte samozřejmě jak původní kus naskenovaného materiálu, tak text rozpoznaný pomocí OCR. Možné chyby jsou vysvíceny modrou barvou:

kontrola pravopisu

ABBYY FineReader umí rozpoznat určité speciální bloky textu - číslování stránek, záhlaví, zápatí. Toto je důležité, protože je jako speciální bloky také následně ukládá  do Wordu či PDF a nestávají se součástí hlavního textu knihy:

záhlaví a zápatí

Uložení rozpoznaného textu je možné do řady formátů - Wordu (DOC, RTF), XLS, PDF, PPTX či prostého TXT nebo CSV:

možnosti uložení dokumentu

Takto poté vypadá rozpoznaná knížka ve Wordu 2010:

knížka ve Wordu 2010

A pokud chcete, jediným stisknutím tlačítka "Převod" v Calibre vytvoříte z DOC/RTF formátu MOBI formát, který již můžete číst ve vašem Amazon Kindle nebo Mobipocket Readeru na PC:

knížka v MOBI formátu

ABBYY FineReader 10 Professional je výboné řešení pro převod tištěných textů do PDF. Nemusí se jednat samozřejmě jen o knížky, bezvadně převede i formuláře, PDF a další.

Nedávno jsem dostával jeden přihlašovací formulář v PDF, jehož obsahem nebyla editovatelná tabulka, ale naskenovaná bitmapa. Převod pomocí OCR dokonale zachoval celou strukturu formuláře, uložil jsem jej do Wordu, a řada lidí si jej  mohla během minuty pohodlně vyplnit. Bez kvalitního OCR by to nešlo.

Stejně tak stále dostáváme spousta (starších) podkladů od klientů, které jsou v tištěné podobě, ale ne elektronické, zde dobré OCR usnadní obrovskou spoustu práce.