PDF Folder တွေအတွက် Batch OCR

Batch OCR ဖြင့် PDF အများအပြားကို တစ်ဖိုင်ချင်း ဖွင့်ပြီး သိမ်းစရာမလိုဘဲ တစ်ကြိမ်တည်း လုပ်ဆောင်နိုင်ပါတယ်။ PDF တစ်ဖိုင်လျှင် UTF-8 .txt ဖိုင်တစ်ခု ထုတ်ပေးပါတယ်။ Google Cloud ကို ကြိုတင်ပြင်ဆင်ထားပြီး အကောင့်ဝင်ထားဖို့ လိုပါတယ်။

Desktop app မှာ

အဖွင့်မျက်နှာပြင်ရှိ Batch OCR PDFs သို့မဟုတ် File → Batch OCR PDFs… (Ctrl+Alt+O) ကို ရွေးပါ။

1. ဖိုင်များ ရွေးရန် Select PDFs… သို့မဟုတ် Folder တစ်ခုရှိ PDF အားလုံးအတွက် Use Folder… ကို နှိပ်ပါ။
2. Output folder ကို ရွေးပါ။ မူလအားဖြင့် ပထမ PDF နဲ့ Folder တူထဲက txt Folder ဖြစ်ပါတယ်။
3. မြန်မာစာအတွက် OCR language ကို my အတိုင်း ထားပါ သို့မဟုတ် ပြောင်းပါ။
4. Start OCR ကို နှိပ်ပါ။

လုပ်ဆောင်မှု အခြေအနေပြ အကွက်မှာ ဖိုင်တစ်ခုချင်း၏ အခြေအနေကို ပြပြီး အချိန်မရွေး Cancel လုပ်နိုင်ပါတယ်။ Google အကောင့်ဝင်ထားမှု သက်တမ်း ကုန်သွားပါက LEXO က အကောင့်ဝင်ပြီး ဆက်လုပ်ဖို့ လမ်းညွှန်ပါတယ်။

CLI မှ

Folder တစ်ခုထဲက PDF အားလုံး (Subfolder တွေထဲက ဖိုင်တွေ မပါပါ) -

lexo ocr-batch ./pdfs --out-dir ./txt

သတ်မှတ်ထားတဲ့ ဖိုင်များ -

lexo ocr-batch chapter-a.pdf chapter-b.pdf --out-dir ./txt

Command တစ်ခုတည်းမှာ ဖိုင်နဲ့ Folder တွေကို ရောပေးနိုင်ပါတယ်။ ဖိုင်တစ်ခုစီအတွက် OCR:၊ wrote: သို့မဟုတ် skip: ဖြင့် အခြေအနေကို ပြပြီး အဆုံးမှာ သိမ်းပြီးတဲ့ဖိုင်၊ ကျော်ထားတဲ့ဖိုင်နဲ့ မအောင်မြင်တဲ့ဖိုင် အရေအတွက်တွေကို အကျဉ်းချုပ် ပြပါတယ်။ ဖိုင်တစ်ခုခု မအောင်မြင်ရင် သုညမဟုတ်တဲ့ exit status ကို ပြန်ပေးပါတယ်။

ရလဒ်ဖိုင်အမည်များ

ရလဒ်ဖိုင်မှာ မူရင်းဖိုင်အမည်ကို ထိန်းထားပြီး File extension ကိုသာ .txt သို့ ပြောင်းပါတယ်။ ဥပမာ၊ chapter-a.pdf အတွက် txt/chapter-a.txt ကို ရရှိပါမယ်။ Batch OCR က UTF-8 Plain text ကိုသာ ထုတ်ပေးပါတယ်။ Markdown သို့မဟုတ် JSONL လိုရင် ဖိုင်တစ်ခုချင်းအတွက် lexo ocr ကို သုံးပါ။

ပြန်စခြင်းနှင့် ရှိပြီးသားဖိုင် အစားထိုးခြင်း

အမည်တူ .txt ဖိုင် ရှိပြီးသားဆိုရင် အဲဒီ PDF ကို ကျော်ပေးပါတယ်။ ဒါကြောင့် အလုပ်ရပ်သွားရင် ပြန်စရုံနဲ့ ပြီးသားဖိုင်တွေကို ကျော်ပြီး ကျန်တဲ့ဖိုင်တွေကို ဆက်လုပ်နိုင်ပါတယ်။

ရှိပြီးသား ဖိုင်များကို အစားထိုးရန် -

lexo ocr-batch ./pdfs --out-dir ./txt --overwrite

Batch OCR မှာ ပါပြီးသား စာသားကို သုံးခြင်း

Batch OCR က မူလအားဖြင့် စာမျက်နှာတိုင်းကို ပုံအဖြစ် ပြန်ဖတ်ပါတယ်။ အများအားဖြင့် စကင်ဖိုင်တွေကို လုပ်ဆောင်ရတာဖြစ်ပြီး အချို့ဖိုင်တွေမှာ အရည်အသွေးမကောင်းတဲ့ OCR Text layer ဟောင်း ပါနေနိုင်လို့ ဖြစ်ပါတယ်။ PDF ထဲမှာ အသုံးပြုနိုင်တဲ့ စာသား ပါပြီးသားဖြစ်လို့ အဲဒီစာသားကို ထိန်းထားချင်ရင် -

lexo ocr-batch ./pdfs --out-dir ./txt --no-force-ocr

အက်ပ်ရဲ့ Batch OCR အကွက်မှာလည်း OCR every page, even if it has embedded text ဆိုတဲ့ ရွေးချယ်စရာ ရှိပါတယ်။

Batch ကြီးများအတွက် အကြံပြုချက်

• PDF အားလုံးတွင် ဘေးလွတ်နေရာ တူညီပါက Batch မလုပ်မီ ဖြတ်တောက်ပြီး စာမျက်နှာခွဲထားပါ။ Batch OCR က စာမျက်နှာကို ဖြတ်တောက်မပေးပါဘူး။
• OCR အမြန်နှုန်းက အင်တာနက်နှင့် Google Drive ပေါ် မူတည်ပါတယ်။ LEXO က စာမျက်နှာ အနည်းငယ်ကို တစ်ပြိုင်နက် လုပ်ဆောင်ပြီး ခဏတာ မအောင်မြင်တဲ့ စာမျက်နှာများကို ထပ်မံကြိုးစားပါတယ်။
• မိမိ Google အကောင့်သို့ တင်ပို့ခွင့်ရှိတဲ့ စာရွက်စာတမ်းများကိုသာ Batch လုပ်ပါ။