učitavam pdf s pitanjima ali sustav pitanja ne prepoznaje pravilno

Prepoznavanje se zapinje na oblikovanju, ne na sadržaju

Pdf koji se ne prepoznaje dobro obično je rezultat jedne od tri stvari: pdf je skeniranje (slika teksta, a ne pravi tekst), lista pitanja je u tablici sa spojenim ćelijama, ili se numeracija razlikuje od onoga što sustav prepoznaje kao pitanje (na primjer "3.2a" umjesto "Pitanje 12"). U sve tri situacije sustav vidi tekst, ali ne može sa sigurnošću odrediti gdje jedno pitanje završava i gdje počinje sljedeće. U tim slučajevima sustav radije ne popunjava ništa nego da postavi odgovor na pogrešno pitanje.

Brže rješenje je obično provjeriti sam portal tvoje klijenta: mnogi portali pored pdf-a nude i Excel izvoz ili webformular iste liste pitanja, i oni se obično u potpunosti prepoznaju. Ako sustav prepoznaje dio pitanja, ostatak možeš dopuniti ručno — povezani odgovori i dalje dolaze iz istog dosijea lanca, tako da ne tipkaš isto dva puta. Ako se radi o pitanju vezano uz fiksni podatak, poput registarskom broju podjetka ili broj zaposlenih, tada je taj odgovor neovisno o prepoznavanju uvijek dostupan za ručno preuzimanje.

Zašto ne forsiramo pdf-ove "pametno"

Sustav prepoznaje pitanja na osnovu strukture teksta, a ne na osnovu značenja: ne čita listu, prepoznaje samo obrasce kao što su numeracija, znakovi pitanja i oblikovanje tablice. Kada ti obrasci nedostaju — poput skeniranja bez osnovnog tekstualnog sloja, ili pdf-a koji je oblikovan sa slikama umjesto teksta — sustav ne može utvrditi parove pitanja-odgovora. To je namjerna granica: bolje je ne popuniti dio liste nego povezati odgovor sa pitanjem koje ne može sigurno čitati. Ostao si ti taj koji potvrđuje svaki predloženi odgovor i podnosi ga portalu tvoje klijenta.