Hvad er en scannet PDF? Sådan kender du den fra en digital PDF på 10 sekunder

En scannet PDF er en PDF, hvor siderne er billeder af papir, taget med en scanner eller et mobilkamera, i stedet for tekst og vektorformer skrevet på en computer. Medmindre OCR (tekstgenkendelse) har tilføjet et skjult tekstlag, kan du ikke markere, søge i eller kopiere ordene, og en skærmlæser hører ingenting på siden.

Du har modtaget en PDF og skal vide, hvad den egentlig er: en fil eksporteret fra et tekstbehandlingsprogram, en scanning af papir, eller en scanning med genkendt tekst. Svaret afgør, om du kan søge i den, om en domstol eller myndighed accepterer den, og om den skal have OCR.

Denne forklaring giver en præcis definition, en 10-sekunders test, en sammenligning af de tre slags PDF'er og en ordliste. Fakta kommer fra W3C's tilgængelighedsvejledning, amerikanske føderale domstole, USCIS, NARA og FADGI's digitaliseringsregler, GOV.UK og universiteters tilgængelighedsteams, samt det vi ved fra at bygge et værktøj til scanningseffekt.

Hvad er en scannet PDF, helt præcist?

En scannet PDF er en PDF-beholder, der indeholder ét rasterbillede pr. side, fremstillet ved at fotografere eller scanne et fysisk ark. De bogstaver, du ser, er pixels, ikke tegn. Software behandler hver side som et foto, så almindelig tekstsøgning, kopiering og omflydning virker ikke uden OCR.

Den amerikanske distriktsdomstol for det nordlige Californien citerer National Archives' overførselsvejledning og siger det i én sætning: »Scannet tekst er et fotografi af en trykt side, produceret enten med et digitalkamera eller en scanner« (N.D. Cal., Preparing Your CM/ECF Filing). Selve PDF-formatet ændrer sig ikke: en scannet PDF er stadig en gyldig ISO 32000-fil. Det, der ændrer sig, er, hvad der ligger inde i hver side.

James Madison Universitys tilgængelighedsteam beskriver resultatet set fra en læsers synsvinkel: »PDF'er af scannede dokumenter er ofte bare billeder af dokumenter, i stil med digitale fotografier, og indeholder typisk ikke læsbar tekst« (JMU Digital Accessibility). Den ene kendsgerning forklarer næsten hver eneste praktiske forskel, der gennemgås nedenfor.

Her er definitionen delt op i sine tjekbare dele, på samme måde som en arkivmedarbejder eller en tilgængelighedsrevisor ville se på en fil.

Sideindhold

Ét bitmapbillede pr. side (JPEG-, JBIG2-, CCITT- eller lignende komprimering), ikke skrifttypeglyffer og vektorbaner.

Tekstlag

Intet i en PDF, der kun består af billeder; et usynligt OCR-lag i en søgbar scannet PDF.

Kilde

En flatbedscanner eller arkfremføringsscanner, en multifunktionskopimaskine eller et mobilkamera med en scanner-app indbygget i styresystemet.

Typisk opløsning

200 til 400 ppi; 300 ppi er det mest almindelige krav til kontortekst.

Farvetilstand

Bitonal (1-bit sort-hvid), gråtoner (8-bit) eller farver (24-bit).

Zoomadfærd

Kanter bliver til synlige pixelblokke ved høj forstørrelse.

Filstørrelse

Som regel større pr. side end en tekst-PDF, især i gråtoner eller farver.

Hvordan adskiller en scannet PDF sig fra en digital PDF?

En scannet PDF gemmer billeder af sider, mens en digital PDF (oprettet digitalt) gemmer rigtige tegn, skrifttyper og vektorgrafik eksporteret fra software. En tredje slags, den scannede PDF med OCR, beholder sidebilledet, men tilføjer skjult maskinlæsbar tekst under, hvilket gør den til en søgbar PDF.

Distriktet Massachusetts trækker samme skillelinje i sine regler for elektronisk indlevering: en scannet PDF kommer fra papir kørt gennem en optisk scanner, mens en »elektronisk konverteret« PDF er oprettet fra et tekstbehandlingsprogram og er tekstsøgbar (D. Mass. CM/ECF Administrative Procedures). Tabellen stiller de tre slags op ved siden af hinanden.

Størrelserne pr. side i tabellen stammer fra domstolstests, ikke gæt. Det nordlige Californiens distrikt scannede et dokument på 317 sider: bitonal ved 300 ppi endte på 23,86 MB, cirka 75 KB pr. side, og gråtoner ved 400 ppi nåede 374,47 MB, cirka 1,2 MB pr. side. Det mellemste distrikt i North Carolina bemærker, at 2 MB rummer omkring 45 sider PDF-tekst, under 50 KB pr. side.

Hvad betyder en scannet kopi i forhold til en fotokopi?

En scannet kopi er en digital billedfil af en papiroriginal, som regel leveret som en scannet PDF eller JPEG. En fotokopi er endnu et ark papir printet af en kopimaskine. En bekræftet kopi er enhver kopi, som en autoriseret person har tjekket mod originalen og underskrevet.

Folk bruger »scannet kopi« løst, og de tre begreber bliver blandet sammen i blanketter, HR-mails og visumtjeklister. Forskellene betyder noget, for en anmodning om den ene bliver ikke opfyldt af de andre.

Den britiske regering forklarer bekræftelse enkelt: »Du kan bekræfte et dokument som en tro kopi ved at få det underskrevet og dateret af en fagperson, f.eks. en advokat« (GOV.UK, Certifying a document). En scannet kopi af den bekræftede side er stadig en scannet kopi; bekræftelsen ligger på papiret, med underskriften og datoen.

Så når en udlejer, arbejdsgiver eller skole siger »send en scannet kopi«, mener de næsten altid »et tydeligt digitalt billede af papiret, som en PDF«. Når de siger »bekræftet kopi«, er en scanning alene ikke nok, uanset hvor ægte den ser ud.

Hvordan kan du se, om en PDF er scannet?

For at se, om en PDF er scannet, skal du prøve at markere et ord på siden og søge efter et ord, du kan se. Hvis intet markeres, er PDF'en kun billedbaseret. Zoom, dokumentegenskaber, skrifttypelisten og filstørrelsen bekræfter derefter, om filen er scannet, digital eller scannet med OCR.

De første to tjek tager under 10 sekunder og virker i enhver PDF-læser, herunder den indbyggede i Google Chrome og Microsoft Edge samt macOS Eksempel. Resten tager et minut og afgør de uklare tilfælde.

1. Prøv at markere tekst. Træk musemarkøren hen over en linje. I en digitalt oprettet eller OCR'et PDF markeres enkelte ord. I en billedbaseret PDF markeres intet, eller nogle læsere tegner et rektangel om hele sidebilledet.
2. Søg med Ctrl+F eller Cmd+F. Skriv et tydeligt ord, du klart kan se på side ét. Nul resultater på et ord, der tydeligvis står der, betyder, at der ikke er noget tekstlag. Et hit betyder rigtig tekst eller et OCR-lag.
3. Zoom til 400 %. Se på kanten af et bogstav. Vektortekst forbliver knivskarp ved enhver zoom. En scannet side viser pixeltrin, bløde grå kanter, støjkorn og nogle gange JPEG-blokmønstre omkring bogstaverne.
4. Åbn dokumentegenskaberne. I Chromes PDF-læser bruger du tre-prik-menuen og vælger Dokumentegenskaber; i macOS Eksempel bruger du Værktøjer og derefter Vis inspektør. Felterne producent eller program angiver ofte en scanner, en kopimaskinemodel, en mobilscanningsfunktion eller en OCR-motor. Et tekstbehandlingsprogram eller »Print to PDF« tyder på en digitalt oprettet fil.
5. Tjek skrifttypelisten. PDF-programmer til computeren viser en fane med skrifttyper i dokumentegenskaberne. En digitalt oprettet PDF viser de skrifttyper, den bruger. En billedbaseret scanning viser ingen. En OCR'et scanning viser ofte én enkelt skrifttype, som kun bruges til det usynlige lag.
6. Sammenlign størrelse pr. side. Del filstørrelsen med antallet af sider. En tekst-PDF holder som regel under 50 KB pr. side. En gråtone- eller farvescanning ligger ofte på adskillige hundrede KB til over 1 MB pr. side. Bitonale scanninger er kompakte, så størrelse er det svageste spor.

Cleveland State Universitys lærebog om tilgængelighed anbefaler den samme hurtige søgetest: »Hvis ordet bliver markeret på siden, har den søgbar tekst i modsætning til at være et scannet billede af tekst« (Heather Caprette, Cleveland State University).

Metadata er et spor, ikke et bevis. Felterne producent og opretter kan redigeres af mange værktøjer, også vores, så stol mere på, hvad sideindholdet gør under markering og zoom, end på det, egenskabspanelet siger.

Hvorfor er scannede dokumenter svære at søge i og læse?

Scannede dokumenter er svære at søge i og læse, fordi en billedbaseret PDF ikke indeholder tegn, som software kan indeksere. Søgemaskiner, computersøgning, kopiering, oversættelsesværktøjer og skærmlæsere kræver alle tekst. Uden et OCR-lag er den scannede PDF et billede, som kun seende læsere kan bruge.

W3C's Web Accessibility Initiative siger det ligeud i teknik PDF7 i WCAG-vejledningen: »Et dokument, der består af scannede billeder af tekst, er i sagens natur utilgængeligt, fordi dokumentets indhold er billeder, ikke søgbar tekst« (W3C WAI, WCAG Technique PDF7).

Samme W3C-side opregner, hvad der går tabt: »Hjælpeteknologier kan ikke læse eller udtrække ordene; brugere kan ikke markere, redigere, ændre størrelse på eller omflyde tekst, og de kan heller ikke ændre tekst- og baggrundsfarver; og forfattere kan ikke tilpasse PDF'en til tilgængelighed.« Løsningen er OCR, så der findes rigtig tekst bag billedet.

Georgetown Universitys tilgængelighedskontor tilføjer den praktiske konsekvens for alle, der er afhængige af hjælpeteknologi: »Scannede PDF'er er en samling af billeder og er derfor ulæselige for de fleste almindelige skærmlæsere« (Accessibility at Georgetown).

Offentlige udgivere er gået videre end det. UK Government Digital Service argumenterer for, at information udgivet i en PDF er sværere at finde, bruge og vedligeholde sammenlignet med HTML (GDS blog, GOV.UK). En billedbaseret scannet PDF er den ekstreme udgave af det problem: ikke engang ordene er maskinlæsbare.

Hvad gør OCR ved en scannet PDF?

OCR, optisk tegngenkendelse, læser bogstavformerne i en scannet PDF og skriver tilsvarende maskintekst ind i et usynligt lag bag hvert sidebillede. Siden ser præcis den samme ud, men den bliver til en søgbar PDF: ord kan findes, markeres, kopieres og læses højt.

Federal Agencies Digital Guidelines Initiative definerer det præcist: »Optical Character Recognition (OCR) er processen med at konvertere et rasterbillede af tekst til søgbar elektronisk tekst« (FADGI Technical Guidelines, 3. udg., 2023). OCR virker på maskinskrevet, trykt og, mindre pålideligt, håndskrevet tekst.

Hvad OCR retter ved et scannet dokument

• Søgning med Ctrl/Cmd+F og fuldtekstindeksering begynder at virke.
• Tekst kan markeres, kopieres og indsættes i andre dokumenter.
• Skærmlæsere får ord at læse højt, hvilket opfylder W3C's grundlæggende PDF7-løsning.
• Domstolssystemer, der kræver tekstsøgbare indleveringer, kan acceptere filen.

Hvad OCR ikke retter

• Billedkvalitet. Siden er stadig et billede, så zoom giver stadig pixels. JMU bemærker, at for folk, der zoomer ind, »bliver outputtet pixeleret og forvrænget, fordi e-teksten ligger under billedet af teksten«.
• Nøjagtighed. Sløring, hældning, lav opløsning og støjkorn giver fejllæsninger, som »rn« i stedet for »m« eller »1« i stedet for »l«. Den skjulte tekst kan være forkert, selvom billedet ser rigtigt ud.
• Struktur. Overskrifter, læserækkefølge, tabelceller og alt-tekst til billeder kræver stadig manuel tagging for fuld tilgængelighed.
• Filstørrelse. Sidebillederne bliver, så en scannet PDF med OCR er næsten lige så stor som den billedbaserede udgave.

Hvornår beder organisationer om en scannet kopi?

Organisationer beder om en scannet kopi, når originalen findes på papir, og de skal bruge et digitalt bevis: indvandringsdokumentation, retsbilag, HR-onboardingfiler, underskrevne kontrakter og kvitteringer. Hver af dem har sine egne regler for format, opløsning og filstørrelse, og nogle domstole kræver søgbare PDF'er i stedet for rene billedfiler.

Indvandringsdokumentation (USCIS)

U.S. Citizenship and Immigration Services accepterer scannet eller fotograferet dokumentation til online indlevering. Vejledningen er kort: »Brug en scanner, eller tag billeder af hvert dokument«, og »Sørg for, at hvert billede, du vedhæfter, er tydeligt, og at al tekst er læsbar« (USCIS, Tips for Filing Forms Online). Hver fil kan være op til 12 MB, som PDF, JPG eller JPEG, med TIF eller TIFF accepteret til nogle blanketter.

Føderale retsindleveringer (CM/ECF)

Føderale systemer til elektronisk indlevering accepterer kun PDF, og mange domstole foretrækker digitalt oprettede filer. Det sydlige distrikt i Florida fastslår, at »processkrifter/hoveddokumenter indleveret elektronisk i CM/ECF skal være i tekstsøgbart PDF-format« (S.D. Fla. CM/ECF FAQ). Scannede PDF'er bruges primært til bilag og underskrevet papir, der ikke har en digital original.

Scanningsindstillinger og størrelsesgrænser varierer fra domstol til domstol. Det vestlige distrikt i Washington kræver scanning ved 300 dpi, sort-hvid medmindre farve er en del af indholdet, og sætter et loft på 100 MB pr. dokument (W.D. Wash. technical FAQ). Distriktet Minnesota begrænser hvert bilag til 35 MB i sine strafferetlige ECF-procedurer.

HR, udlejere, skoler og banker

Arbejdsgivere og udlejere ønsker som regel en scannet kopi af et ID, et eksamensbevis, et underskrevet tilbudsbrev eller en side af en lejekontrakt. De offentliggør sjældent tekniske regler; de fleste nævner en grænse for mailvedhæftninger og beder om, at hvert ord er læseligt. Når en portal ikke angiver nogen grænser, er en gråtone-PDF ved 300 dpi under 10 MB et fornuftigt standardgæt, ikke en fastsat regel.

Kan en scannet PDF arkiveres som PDF/A?

En scannet PDF kan gemmes som PDF/A, ISO 19005-arkivversionen af PDF, fordi PDF/A tillader sidebilleder. PDF/A tilføjer regler for langtidslæsning, f.eks. indlejrede skrifttyper og ingen kryptering, men den gør ikke en billedbaseret side søgbar. OCR er et separat trin.

PDF/A blev første gang udgivet den 1. oktober 2005 og forbyder funktioner, der gør filer svære at åbne årtier senere, f.eks. skrifttypelinkning og kryptering (Wikipedia, PDF/A). Microsoft Office kan eksportere ISO 19005-1-kompatible filer direkte fra sine »Gem som PDF«-indstillinger.

Domstole, der kræver PDF/A, opfordrer ofte indleverende parter til slet at undgå scanning. Det østlige distrikt i Oklahoma anbefaler, at PDF/A-dokumenter for at holde filstørrelser nede og sikre tekstsøgbare filer bør oprettes i et tekstbehandlingsprogram i stedet for at blive printet ud og scannet (E.D. Okla. PDF/A FAQ).

PDF/A oprettet digitalt

Mindst og fuldt søgbar; bedst når der findes en digital original.

Scannet PDF/A med OCR

Arkivegnet og søgbar; det rigtige valg til papirdokumenter uden digital original.

Billedbaseret PDF/A

Gyldig til bevaring, men ikke søgbar eller tilgængelig.

Hvordan får en digital PDF et scannet look?

En digital PDF får et scannet look, når hver side rasteriseres til et billede og får de ufuldkommenheder, en rigtig scanner giver: let rotation, sløring, støj, grå toner eller papirtone. Resultatet er en billedbaseret PDF, der opfører sig som en scanning, uden at du printer noget eller ejer en scanner.

Det er præcis, hvad vores gratis scanningsværktøj gør. Det gengiver hver PDF-side i din browser, tilføjer de effekter, du vælger, og gemmer hver side som et JPEG-billede i en ny PDF. Filerne behandles lokalt og uploades ikke til en server.

Rotation

−10° til 10°, standard 1°, plus tilfældig variation pr. side op til 10°.

Sløring

0 til 1, standard 0,3, blødgør vektorkanter, ligesom en scanners optik gør.

Støj

0 til 1, standard 0,1, tilføjer sensorlignende støjkorn.

Lysstyrke og kontrast

0 til 2 hver, standard 1.

Gulning

0 til 2, standard 0, giver siden farve som gammelt papir.

Farverum

Gråtoner (standard) eller Farver.

Opløsning

1× til 3×; PDF-sider gengives ved 72 dpi ganget med skalaen, så 2× er cirka 144 dpi og 3× cirka 216 dpi.

Fordi outputtet er billedbaseret, arver det alle de egenskaber, der er beskrevet ovenfor: ingen markerbar tekst, ingen søgning, større filer, intet skærmlæser-output. Det er formålet for dem, der har brug for et dokument, der ligner en scannet kopi, og en ulempe for dem, der har brug for, at det er søgbart. Behold den originale digitale fil.

Se hele arbejdsgangen, herunder afvejninger af opløsning og filstørrelse, i PDF til scannet PDF. Se alle seks metoder, fra print-og-scan til indbyggede styresystemfunktioner, i sådan får du en PDF til at se scannet ud. Starter du i stedet fra et mobilfoto? Guiden billede til scannet PDF dækker JPG og PNG.

Ordliste for scannede dokumenter: hvilke begreber betyder noget?

Et scannet dokument har sit eget ordforråd: dpi og ppi, bitdybde, bitonal, OCR, rasterisering, PDF/A og JBIG2. At kende disse syv begreber er nok til at læse ethvert scanningskrav fra en domstol, myndighed eller arbejdsgiver og til at vurdere en scannet PDF, du modtager.

dpi / ppi

Punkter eller pixels pr. tomme: hvor mange billedprøver der dækker én tomme papir. NARA kræver mindst 300 ppi for moderne tekstdokumenter og 400 ppi for fotografier og finoptegnede dokumenter. PDF-sidegeometri bruger 72 punkter pr. tomme, hvilket er grunden til, at en 1×-gengivelse svarer til 72 dpi.

Bitdybde

Antal bits gemt pr. pixel. Bitonal er 1 bit, gråtoner er 8 bit (256 nuancer), og en typisk farvescanning er 24 bit (8 bit i hver af tre kanaler).

Bitonal

FADGI's definition: »Digitale billeder fremstillet med kun to farver, sort og hvid.« Det mindste læselige format til almindelig tekst.

OCR

Optisk tegngenkendelse: software, der omdanner bogstavformerne i et billede til maskintekst og dermed skaber en søgbar PDF.

Rasterisere

At konvertere vektortekst og -former til et gitter af pixels. At rasterisere en digital PDF gør den til en billedbaseret PDF.

PDF/A

ISO 19005, arkivudgaven af PDF, udgivet i 2005; den forbyder funktioner som kryptering og skrifttypelinkning.

JBIG2

En komprimeringsmetode til bitonale scanninger, der kun gemmer gentagne symboler én gang. BBC News rapporterede i 2013, at nogle kontorkopimaskiner med en lossy JBIG2-tilstand ændrede tal i scanninger, ofte ved at gøre et 6-tal til et 8-tal; i en test blev et rums mål på 21,11 m til 14,13 m.

Billedbaseret PDF

En scannet PDF helt uden tekstlag.

Søgbar PDF

En PDF med rigtig eller OCR-tekst, der kan søges i og markeres.

JBIG2-sagen er det stærkeste argument for at gemme originaler. En scannet kopi er et billede, og billeder kan blive ændret af komprimering, uden at nogen bemærker det (BBC News, 2013). NARA betragter også støj som et uønsket artefakt, »der ikke er en del af kildematerialet« (36 CFR 1236 Subpart E).

Scannet PDF: ofte stillede spørgsmål

Disse spørgsmål om scannet PDF dukker oftest op hos folk, der har modtaget en fil, skal sende en scannet kopi, eller skal opfylde en regel fra en domstol eller myndighed. Hvert svar står for sig selv, så du kan hoppe direkte til det, der passer på din situation, og handle på det.

Hvad er det korte svar om scannede PDF'er?

En scannet PDF er et billede af papir pakket ind i en PDF. Test den ved at markere og søge i tekst, tilføj OCR, når du har brug for søgning eller tilgængelighed, send en digitalt oprettet PDF, når en domstol foretrækker det, og brug kun et scannet look, når det er udseendet, ikke ægtheden, læseren har brug for.

Hvis det er udseendet, du har brug for, kan du åbne det gratis scanningsværktøj, beholde standardfarverummet Gråtoner og 2×-opløsningen, og tjekke forhåndsvisningen, inden du downloader.