OCR PDF

Åbn filen i en vilkårlig fremviser, og prøv at markere en linje tekst. Hvis intet fremhæves, eller søgning ikke finder nogen match, er siderne bare billeder (en scanning eller et foto), og OCR er det, der tilføjer den manglende tekst. En PDF, der allerede har tekst, der kan markeres, har ikke brug for dette værktøj.

Over 100 Tesseract-sprogpakker er opført, fra engelsk og spansk til arabisk, hindi, japansk og kinesisk. Sæt kryds ved alle sprog, der forekommer i dokumentet. Pakkerne indlæses sammen, så sider med blandede sprog genkendes i ét gennemløb. Nogle selvhostede installationer indeholder en kortere liste og siger det over sprogvælgeren.

Nej. De originale sider kopieres uændret, og et usynligt tekstlag tegnes ovenpå, placeret ord for ord, så det passer til scanningen. Du ser det samme billede som før, men nu kan du søge i, markere og kopiere teksten.

Høj (288 DPI) er standard og klarer typiske kontordokumenter. Gå ned til Standard (192 DPI), når hastighed betyder noget, eller filen er lang, og brug Ultra (384 DPI) til småt skrift, fodnoter eller dårlige scanninger. Højere indstillinger tager mærkbart længere tid, da hver side gengives i den størrelse før genkendelsen.

Den begrænser outputtet til et fast sæt tegn, hvilket skærer ned på fejl som et lille l, der læses som et 1. Forudindstillingen Faktura tillader kun cifre og symbolerne $ . , / - # :, Kun tal passer til serienumre eller måleraflæsninger, og Brugerdefineret lader dig skrive dit eget sæt.

Ikke pålideligt. Tesseract er trænet på trykt tekst, så pæne blokbogstaver virker nogle gange, men skriveskrift giver mest støj. Resultaterne er bedst på rene, godt oplyste trykte sider. Indstillingen Binarisér hjælper på falmede scanninger eller scanninger med lav kontrast, og Ret skæve PDF retter skæve sider op først.

Ja. Når OCR er færdig, vises den udtrukne tekst i et felt, hvor du kan gennemgå den, kopiere den til udklipsholderen eller downloade den som ocr-text.txt. Download af den søgbare PDF er adskilt, så du kan tage den ene eller begge.

Nej. Tesseract kører som WebAssembly i din browser. De eneste downloads er OCR-motoren og de sprogpakker, du har valgt, hentet første gang, der er brug for dem. De scannede sider og den genkendte tekst bliver på din enhed.