อัปเดตล่าสุด: 05 Jan, 2026
หากคุณเคยสแกนเอกสารและสงสัยว่าคอมพิวเตอร์แปลงภาพของข้อความให้เป็นเนื้อหาที่ค้นหาและแก้ไขได้อย่างไร คุณก็ได้พบกับโลกของ การรู้จำอักขระด้วยแสง (OCR) แต่เรื่องราวไม่ได้จบเพียงการสกัดข้อความจากภาพ ความมหัศจรรย์ที่แท้จริงเกิดขึ้นเมื่อข้อมูลนั้นถูกจัดเก็บและโครงสร้างขึ้น
เมื่อคุณทำการดิจิไทซ์คลังเอกสารประวัติศาสตร์, ประมวลผลใบแจ้งหนี้ธุรกิจ, หรือ แปลงหนังสือพิมพ์เป็นห้องสมุดดิจิทัล การเลือก ฟอร์แมตผลลัพธ์ OCR ที่เหมาะสมนั้นสำคัญมาก มีสามฟอร์แมตที่ครองตลาดนี้: HOCR, ALTO, และ PDF/A แต่ละฟอร์แมตมีจุดประสงค์ที่แตกต่างกัน การเข้าใจความแตกต่างของพวกมันจะช่วยคุณประหยัดเวลานับชั่วโมงจากความสับสนในอนาคต
มาดูกันว่าคุณต้องรู้เรื่องอะไรบ้างเกี่ยวกับฟอร์แมตเหล่านี้ ตั้งแต่พื้นฐานทางเทคนิคจนถึงการใช้งานจริง
รูปแบบไฟล์ OCR คืออะไร? ก่อนจะลงลึกในฟอร์แมตเฉพาะ เรามาเข้าใจก่อนว่า รูปแบบไฟล์ OCR ทำหน้าที่อะไร เมื่อซอฟต์แวร์ OCR ประมวลผลเอกสาร มันไม่ได้แค่สกัดข้อความธรรมดาเท่านั้น แต่ยังจับข้อมูลเชิงโครงสร้างและตำแหน่งที่มีค่าไว้ด้วย ซึ่งรวมถึง:
เนื้อหาข้อความ: คำและอักขระจริง ข้อมูลการจัดวาง: ตำแหน่งที่ข้อความปรากฏบนหน้า (ย่อหน้า, คอลัมน์, ส่วนหัว) ข้อมูลการจัดรูปแบบ: สไตล์ฟอนต์, ขนาด, และสี คะแนนความมั่นใจ: ความแน่นอนของเครื่อง OCR ต่อแต่ละอักขระ โครงสร้างลำดับขั้น: บท, ส่วน, หัวข้อ, และเชิงอรรถ รูปแบบไฟล์ OCR จะบรรจุเมตาดาต้าที่อุดมไปด้วยนี้พร้อมกับข้อความที่สกัดออกมา สร้าง “คู่แฝดดิจิทัล” ของเอกสารต้นฉบับที่คงความสมบูรณ์ของภาพและโครงสร้างไว้
HOCR: ตัวเลือกที่ใช้ HTML HOCR คืออะไร?