数字化概述

什么是数字化

数字化是指从给定的传入文件中获取机器可读文本的过程，以便机器人能够理解其中的内容并采取相应行动。对于需要通过 Document Understanding 框架处理的文件，这是要应用的第一个步骤。

数字化步骤有两个输出：

• 已处理文件中的文本，存储在字符串变量中；以及
• 文件的文档对象模型 - JSON 对象，其中包含名称、内容类型、文本长度、页数等基本信息，还有各种详细信息，例如页面旋转、检测到的语言、文件中每个字词的内容和坐标。

在文档处理框架中，使用“数字化文档”活动执行数字化。

什么不是数字化

尽管相关，但数字化步骤并非 OCR。

通常情况下，需要处理的文件是原生 PDF 文件（未扫描），无需使用 OCR 即可由机器人以编程方式读取文件。

何时在数字化中使用 OCR

The Digitize Document activity requires, as part of its configuration, the selection of an OCR engine — so that, at need, it can be used, but only executes OCR on

• 图像文件
  • 支持的图像格式为 .png、.gif、.jpe、.jpg、.jpeg、.tiff、.tif、.bmp
  • 对于多页 TIFF 文件，则对每一页应用 OCR
• 以下 PDF 页面：
  • 不会公开任何计算机可读内容
  • 其中包含覆盖页面很大一部分的图像。

如果“数字化文档”活动配置为将“强制应用 OCR”标志设为“True”，则仍应用 OCR。通常建议在以下情况下使用此选项：大部分文件似乎都包含原生内容，但原生读取的内容与用户在这些文件中看到的内容并不相符。

如何选择 OCR 引擎

As each use case has its own particularities, it is strongly recommended to test all available OCR Engines with different settings, to determine which one works best for your project. Another recommendation is to pay particular attention to the OCR engine arguments, such as Profile, Scale, Language etc. (may vary from one engine to another), so that you can identify the best settings for each use case.