数字化概述

什么是数字化

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.

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。

在许多情况下，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

作为配置的一部分，“数字化文档”活动需要选择 OCR 引擎，以便可以在需要时使用，但仅对以下文件执行 OCR：

• 图像文件
  • 支持的图像格式为 .png、.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。

注意：以下数字化限制适用：

• 文件大小限制为 160 MB。
• 每个文档最多包含 500 页。

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

由于每个用例都有其自身的特殊性，因此强烈建议使用不同的设置测试所有可用的 OCR 引擎，以确定哪个引擎最适合您的项目。另一个建议是要特别注意 OCR 引擎的参数，例如Profile、Scale、Language 等（可能因引擎而异），以便为每个用例确定最佳设置。