Estoy viendo unos archivos de Word editados por última vez por un antiguo asistente. Con la opción de "mostrar todos los caracteres no impresos" desactivada, se ve bien, aparte de algunos cambios extraños en la fuente. Al activar "mostrar todos los caracteres no imprimibles" se muestra un formato que hace que se vea bien, pero claramente no es el formato escrito por una persona. Un ejemplo - El documento original tenía numeración de líneas cada cinco líneas. Esta versión parece tener numeración de líneas, pero son sólo caracteres. Tiene un salto de sección justo antes de cada 5 líneas. Para hacer una edición de tamaño modesto estoy exportando todo como texto y empezando de nuevo poniendo el formato. ¿Alguna idea de cómo puede ocurrir esto? ¿Puede ser que se haya producido por el OCR de un PDF? ¿Alguna forma mágica de corregirlo?
Respuesta
¿Demasiados anuncios?
Sí, ese tipo de formato se parece a lo que puede ocurrir cuando el software de reconocimiento óptico de caracteres está configurado para interpretar lo que ha escaneado, cuando en realidad sólo necesita el texto sin formato para aplicar estilos.
Hace tiempo, en un sistema Windows, tuvimos que recuperar un documento electrónico a partir de la única copia impresa que nos quedaba. El software tenía una función de marquesina, en la que:
- Escanea la página y te muestra la vista previa
- Permitir dibujar marquesinas rectangulares sobre las porciones que le interesaban (esta era una herramienta conveniente para ignorar los fragmentos de escaneo)
- Producir campos de texto que contengan el texto escaneado
- Proporcionar un botón que copie el texto al Portapapeles
Lo de copiar en el portapapeles, si hacías clic en el botón, entonces se producía alguna interpretación que introducía un formato pasable, pero ya no tenías texto plano.
Sin embargo, en el paso (3), si arrastra el texto dentro del campo de párrafo y manualmente copiado en el portapapeles, entonces se obtendría un texto sin formato, para el cual era más fácil asignar estilos.
Con respecto al software de Mac, pruebe una demostración del último Adobe Acrobat, y vea si puede hacer un trabajo decente de OCR en una captura de pantalla/escaneo de esos archivos de Word.
