Présentation de la numérisation

Ce qu'est la numérisation

Digitization is the process of obtaining machine readable text from a given incoming file, so that a robot can then understand its contents and act upon them. It is the first step applied on files that need to be processed through the Document Understanding^TM framework.

L'étape de numérisation a deux sorties :

• le texte du fichier traité, stocké dans une variable chaîne, et
• le modèle d'objet document de ce fichier – objet JSON contenant des informations de base telles que le nom, le type de contenu, la longueur du texte, le nombre de pages ainsi que des informations détaillées telles que la rotation des pages, la langue détectée, le contenu et les coordonnées de chaque mot identifié dans le fichier.

Dans l'infrastructure de traitement de document, la numérisation est effectuée à l'aide de l'activité Numériser le document (Digitize Document).

Ce que la numérisation n'est pas

Bien que liée, l'étape de numérisation se distingue de l'OCR.

Dans de nombreux cas, les fichiers à traiter sont des fichiers PDF natifs (non numérisés) qui peuvent être lus par programmation par le robot sans appliquer l'OCR.

Quand l'OCR est utilisée dans la numérisation

L'activité Numériser un document (Digitize Document) nécessite, dans le cadre de sa configuration, la sélection d'un moteur OCR afin qu'en cas de besoin, il puisse être utilisé tout en exécutant uniquement l'OCR sur :

• les fichiers images
  • les formats d'images pris en charge sont .png, .jpe, .jpg, .jpeg, .tiff, .tif, .bmp
  • pour les fichiers TIFF multipages, l'OCR est appliqué pour chaque page
• pages PDF qui
  • ne présentent aucun contenu lisible par machine
  • contiennent des images qui couvrent une zone significative de la page.

Remarque : Les limitations de numérisation suivantes s’appliquent :

• La limite de taille de fichier est de 160 Mo.
• Il y a un maximum de 500 pages par limite de document.

L'OCR est également toujours appliqué si l'activité Numériser le document (Digitize Document) est configurée avec l'indicateur ForceApplyOCR défini sur True (Vrai). Cette option est généralement recommandée pour les cas d'utilisation dans lesquels un important pourcentage de fichiers semble contenir du contenu natif, mais que le contenu lu de manière native ne correspond pas à ce qu'un utilisateur peut voir dans ces fichiers.

Comment choisir votre moteur OCR

Comme chaque cas d'utilisation a ses propres particularités, il est fortement recommandé de tester tous les moteurs OCR disponibles avec des paramètres différents afin de déterminer celui qui fonctionne le mieux pour votre projet. Nous recommandons également de porter une attention particulière aux arguments du moteur OCR, tels que Profil (Profile), Scale (Échelle), Langue (Language) etc. (peut varier d'un moteur à l'autre) afin d'identifier les meilleurs paramètres par cas d'utilisation.