OCR PDF

Адкрыйце файл у любой праграме прагляду і паспрабуйце вылучыць радок тэксту. Калі нічога не вылучаецца або пошук нічога не знаходзіць, старонкі гэта проста відарысы (скан або фота), і OCR дадае тэкст, якога не хапае. PDF, у якім ужо ёсць тэкст для вылучэння, гэты інструмент не патрабуе.

У спісе больш за 100 моўных пакетаў Tesseract, ад англійскай і іспанскай да арабскай, хіндзі, японскай і кітайскай. Адзначце кожную мову, якая ёсць у дакуменце; пакеты загружаюцца разам, таму старонкі з некалькімі мовамі распазнаюцца за адзін праход. Некаторыя ўстаноўкі з уласным размяшчэннем уключаюць карацейшы спіс і паведамляюць пра гэта над выбарам мовы.

Не. Арыгінальныя старонкі капіююцца без змен, а паверх малюецца нябачны тэкставы слой, размешчаны слова за словам паводле скана. Вы бачыце той жа відарыс, але цяпер можаце шукаць, вылучаць і капіяваць тэкст.

Высокае (288 DPI) выкарыстоўваецца па змаўчанні і спраўляецца з тыповымі офіснымі дакументамі. Пераключайцеся на Стандартнае (192 DPI), калі важная хуткасць або файл доўгі, а Ультра (384 DPI) выкарыстоўвайце для дробнага шрыфта, зносак або дрэнных сканаў. Вышэйшыя налады працуюць прыкметна даўжэй, бо кожная старонка адлюстроўваецца ў такім памеры перад распазнаваннем.

Ён абмяжоўвае вынік фіксаваным наборам сімвалаў, што змяншае памылкі, напрыклад калі малая літара l чытаецца як 1. Прадустаноўка «Рахунак» дазваляе толькі лічбы і сімвалы $ . , / - # :, «Толькі лічбы» падыходзіць для серыйных нумароў або паказанняў лічыльнікаў, а «Свой» дазваляе ўвесці ўласны набор.

Не надзейна. Tesseract навучаны на друкаваным тэксце, таму акуратныя вялікія літары часам працуюць, але курсіў пераважна дае шум. Лепшыя вынікі на чыстых, добра асветленых друкаваных старонках; параметр «Бінарызацыя» дапамагае з выцвілымі або малакантраснымі сканамі, а Выпрастаць PDF спачатку выпраўляе нахіленыя.

Так. Калі OCR завершыцца, вынятаны тэкст з'яўляецца ў полі, дзе яго можна праглядзець, скапіяваць у буфер абмену або спампаваць як ocr-text.txt. Спампоўванне PDF з пошукам выконваецца асобна, таму можна ўзяць любое або абодва.

Не. Tesseract працуе як WebAssembly у вашым браўзеры; спампоўваюцца толькі рухавік OCR і моўныя пакеты, якія вы абралі, пры першай неабходнасці. Сканаваныя старонкі і распазнаны тэкст застаюцца на вашай прыладзе.