طبقة النص

ملف PDF الرقمي الأصلي يحمل كلًا من رسم كل حرف وسجل أي حرف يمثل ذلك الرسم. يعمل البحث لأن العنصر الثاني موجود. الصفحة الممسوحة ضوئيًا تحمل الصورة فقط — متطابقة بصريًا، غير فعّالة وظيفيًا.

هذا هو المصدر الأكثر شيوعًا للارتباك في مشاريع البحث في المستندات. "البحث لا يعمل على هذه الملفات" يعني تقريبًا دائمًا "أن هذه الملفات تم مسحها ضوئيًا"، ولا يغير أي تعديل لمحرك البحث ذلك. الحل هو OCR، وهو عملية مختلفة وأكثر تكلفة بكثير.

تنسيقات المكتب هي الحالة السهلة: ملف DOCX أو XLSX هو نص منظم بطبيعته، لذا لا تكون طبقة النص محل تساؤل أبدًا.