OCR روی PDF

فایل را در هر نمایشگری باز کنید و سعی کنید یک خط متن را انتخاب کنید. اگر چیزی هایلایت نشد یا جستجو موردی پیدا نکرد، صفحه‌ها فقط تصویرند (اسکن یا عکس) و OCR همان چیزی است که متن گمشده را اضافه می‌کند. PDFای که از قبل متن قابل انتخاب دارد به این ابزار نیاز ندارد.

بیش از ۱۰۰ بستهٔ زبانی Tesseract فهرست شده است، از انگلیسی و اسپانیایی تا عربی، هندی، ژاپنی و چینی. هر زبانی را که در سند آمده علامت بزنید؛ بسته‌ها با هم بارگذاری می‌شوند تا صفحه‌های چندزبانه در یک گذر شناسایی شوند. بعضی استقرارهای خودمیزبان فهرست کوتاه‌تری همراه دارند و بالای انتخابگر زبان این را می‌گویند.

خیر. صفحه‌های اصلی بدون تغییر کپی می‌شوند و یک لایهٔ متن نامرئی روی آن‌ها ترسیم می‌شود که کلمه‌به‌کلمه مطابق اسکن قرار می‌گیرد. همان تصویر قبلی را می‌بینید اما حالا می‌توانید متن را جستجو، انتخاب و کپی کنید.

بالا (۲۸۸ DPI) پیش‌فرض است و اسناد اداری معمولی را پوشش می‌دهد. وقتی سرعت مهم است یا فایل طولانی است به استاندارد (۱۹۲ DPI) بروید و برای متن ریز، پاورقی یا اسکن‌های ضعیف از فوق‌العاده (۳۸۴ DPI) استفاده کنید. تنظیمات بالاتر به‌طور محسوسی بیشتر طول می‌کشند، چون هر صفحه پیش از شناسایی در آن اندازه رندر می‌شود.

خروجی را به مجموعهٔ ثابتی از نویسه‌ها محدود می‌کند که خطاهایی مثل خوانده شدن l کوچک به‌عنوان 1 را کم می‌کند. پیش‌تنظیم فاکتور فقط رقم‌ها و نمادهای $ . , / - # : را مجاز می‌کند، فقط اعداد برای شمارهٔ سریال یا عدد کنتور مناسب است و سفارشی به شما اجازه می‌دهد مجموعهٔ خودتان را تایپ کنید.

به‌طور قابل اعتماد نه. Tesseract روی متن چاپی آموزش دیده است، پس حروف بزرگ مرتب گاهی کار می‌کنند اما دست‌نویس پیوسته بیشتر خروجی بی‌معنا می‌دهد. نتایج روی صفحه‌های چاپی تمیز و روشن بهترین هستند؛ گزینهٔ دودویی‌سازی به اسکن‌های کمرنگ یا کم‌کنتراست کمک می‌کند و صاف کردن PDF اسکن‌های کج را ابتدا صاف می‌کند.

بله. وقتی OCR تمام شد، متن استخراج‌شده در کادری نمایش داده می‌شود که می‌توانید آن را بررسی کنید، در کلیپ‌بورد کپی کنید یا به‌صورت ocr-text.txt دانلود کنید. دانلود PDF قابل جستجو جداست، پس می‌توانید یکی یا هر دو را بگیرید.

خیر. Tesseract به‌صورت WebAssembly داخل مرورگر شما اجرا می‌شود؛ تنها دانلودها موتور OCR و بسته‌های زبانی است که انتخاب کرده‌اید و اولین باری که لازم شوند دریافت می‌شوند. صفحه‌های اسکن‌شده و متن شناسایی‌شده روی دستگاه شما می‌مانند.