Dostajesz PDF z urzędu albo skan umowy z podpisem. Otwierasz plik w czytniku ekranu i słyszysz ciszę, ewentualnie pojedyncze „grafika, grafika…”. W innym pliku tekst niby jest, ale NVDA/JAWS czyta „wężykiem” po kolumnach, miesza przypisy z treścią i gubi sens zdań. Z takimi dokumentami da się coś zrobić — tylko najpierw trzeba rozpoznać, jaki to typ PDF, a potem dobrać wariant obróbki, który ma realne szanse dać czytelny, przeszukiwalny tekst (albo zdecydować, że ratowanie pliku jest stratą czasu).
Najwięcej czasu marnuje się na fałszywe założenie: „zrobiłem OCR, więc PDF jest dostępny”. Dla czytnika ekranu to często dopiero początek problemów: kolejność czytania, tabele, dzielenie wyrazów, brak struktury i „szum” w postaci nagłówków stron, pieczątek czy numerów. Poniżej są szybkie testy i porównanie 4 wariantów pracy: od najprostszego wydobycia tekstu po OCR z porządkowaniem i scenariusz „poproś o źródło”.
Frazy pomocnicze: PDF skan a tekst, OCR a czytnik ekranu, NVDA czytanie PDF, dostępny PDF tagi, kolejność czytania w PDF, hybrydowy PDF, rozpoznawanie tekstu z PDF, naprawa PDF dostępność, formularz PDF dostępność, tabele po OCR, szybki test dostępności PDF
Szybka diagnoza pliku w 60 sekund: skan, tekst czy hybryda?
Dwa testy bez narzędzi specjalnych
Test 1: zaznaczanie i kopiowanie. Spróbuj zaznaczyć myszą kilka zdań w środku strony i skopiować do Notatnika/edytora tekstu. Wynik mówi bardzo dużo:
- Jeśli nie da się zaznaczyć nic — to niemal na pewno czysty skan (obraz).
- Jeśli da się zaznaczyć, ale wkleja się „kasza” (pojedyncze litery, losowe znaki, poszarpane wyrazy) — to może być PDF z błędną warstwą tekstu albo bardzo źle zrobiony OCR.
- Jeśli wkleja się normalny tekst ze zdań i polskich znaków — masz PDF tekstowy lub poprawną hybrydę (obraz + tekst).
Test 2: wyszukiwanie. Użyj funkcji „Znajdź” w przeglądarce PDF (wbudowany podgląd, Acrobat Reader lub inny czytnik). Wpisz charakterystyczne słowo z dokumentu (nazwisko, tytuł rozdziału, kwotę). Jeśli wyszukiwanie nic nie znajduje, to zwykle skan bez tekstu. Jeśli znajduje, ale skacze do dziwnych miejsc albo zaznaczenie obejmuje „pół strony”, to sygnał, że tekst istnieje, ale mapowanie na stronę jest popsute.
Test w czytniku ekranu: sygnały ostrzegawcze
Trzeci test robi się już „w boju”: otwórz dokument w narzędziu, z którego realnie korzystasz (NVDA/JAWS na Windows, VoiceOver na macOS/iOS, TalkBack na Androidzie) i przesłuchaj 2–3 fragmenty. Sygnały ostrzegawcze, które zwykle oznaczają kłopoty niezależnie od tego, czy OCR był robiony:
- Skakanie po stronie — czytnik czyta nagłówek, potem kawałek z dołu, potem wraca do góry. Typowe przy układach dwukolumnowych i elementach w ramkach.
- „Wąż” po kolumnach — leci wierszami przez całą szerokość strony, łącząc koniec lewej kolumny z początkiem prawej.
- Brak sensownej nawigacji — dokument wygląda jak raport z nagłówkami, a czytnik nie widzi żadnych nagłówków/sekcji (wszystko jest jednym blokiem tekstu).
„PDF udający tekst” i hybryda: kiedy pomagają, kiedy szkodzą
PDF udający tekst to plik, w którym da się coś zaznaczyć i wyszukać, ale czytnik ekranu czyta go jak przypadkową mieszankę fragmentów. Często przyczyną jest to, że tekst został „poskładany” z wielu małych boksów (po jednym na linię albo nawet słowo), bez logicznej kolejności. W praktyce wychodzi to tak, że nawigacja po liniach/akapitach staje się torturą, a zdania są porozrywane.
Hybrydowy PDF (obraz strony + warstwa tekstu) bywa ratunkiem, bo można szybko uzyskać wyszukiwanie i lekturę. Bywa też pułapką: jeśli warstwa tekstu jest przesunięta względem obrazu, czytnik może „łapać” nie ten fragment, a zaznaczanie wybiera kawałki z różnych miejsc. To szczególnie problematyczne w tabelach, formularzach i dokumentach z pieczątkami.
Cztery warianty obróbki: co wybrać i czego realnie oczekiwać
Wariant A — prosta ekstrakcja tekstu (gdy PDF jest „prawdziwy”)
Jeśli test kopiowania i wyszukiwania wypada dobrze, najczęściej wygrywa prostota: zamiast „naprawiać PDF”, lepiej wydobyć tekst do formatu, w którym czytnik ekranu pracuje przewidywalnie (TXT, DOCX, czasem HTML). Ten wariant ma sens szczególnie wtedy, gdy celem jest szybkie przeczytanie treści i wyszukiwanie po słowach.
Plusy: brak typowych błędów OCR (pomyłki znaków, znikające ogonki, mylenie cyfr), szybka praca, często najwyższa wierność liter. Dla użytkownika czytnika ekranu zwykle oznacza to płynniejszą lekturę niż „oczyszczony” PDF bez struktury.
Minusy: jeśli dokument ma złą kolejność czytania, to wyeksportowany tekst może zachować chaos (np. dwie kolumny sklejone w jeden ciąg). Drugi problem to utrata elementów struktury: nagłówki, listy i tabele mogą zamienić się w zwykłe linie tekstu, bez możliwości wygodnej nawigacji.
Wariant B — OCR „na szybko” (gdy to skan i liczy się czas)
To klasyczny scenariusz „mam pismo na jutro” albo „muszę znaleźć jeden paragraf”. OCR wykonany szybko (w dowolnym narzędziu, które rozpoznaje tekst) bywa wystarczający, żeby dokument stał się przeszukiwalny i w miarę czytelny.
Plusy: natychmiastowy skok użyteczności: z „grafiki” robi się tekst, można wyszukać nazwisko, kwotę, numer sprawy. Dla krótkich pism urzędowych, zawiadomień czy jednej–dwóch stron umowy często to jest najlepszy stosunek efektu do czasu.
Minusy: ryzyko pułapek jest wysokie. OCR na dokumencie z kolumnami potrafi ułożyć tekst w złej kolejności. W umowach i pismach prawnych problemem bywają pomyłki typu O/0, l/I/1, znikające polskie znaki, mylenie „§” i „S”. Jeśli dokument ma służyć do pracy (a nie tylko jednorazowego przejrzenia), ten wariant często kończy się irytacją.
Wariant C — OCR + korekta i porządkowanie pod czytnik (gdy dokument ma „żyć”)
Tutaj celem nie jest samo „żeby dało się coś usłyszeć”, tylko żeby dało się z tym pracować: czytać dłużej, wracać do fragmentów, wyszukiwać po pojęciach, odnajdywać nagłówki. Ten wariant zaczyna się od OCR, ale kluczowe jest to, co dzieje się potem: korekta błędów, łączenie porozrywanych akapitów, usunięcie powtarzalnych nagłówków/stopki, uporządkowanie tabel (czasem przez przepisanie).
Plusy: największa szansa na tekst, który czytnik ekranu „niesie” bez potknięć. W praktyce to jedyna droga, gdy dokument jest długi i ma złożony układ (raport, skrypt, instrukcja). Uporządkowanie treści często daje też lepsze wyniki wyszukiwania (słowa nie są połamane dywizami i twardymi znakami końca linii).
Minusy: czas i cierpliwość. Przy słabym skanie (krzywo, cień grzbietu, prześwit, pieczątki przez tekst) korekta może być dłuższa niż przepisanie kluczowych fragmentów ręcznie. Trzeba też uczciwie ocenić, czy celem jest „tekst do czytania”, czy w pełni dostępny PDF z tagami i strukturą — bo to może wymagać dodatkowych kroków poza samą korektą treści.