PDF OCR

Open het bestand in een willekeurige viewer en probeer een regel tekst te selecteren. Als er niets oplicht of zoeken geen resultaten vindt, zijn de pagina's alleen afbeeldingen (een scan of foto) en voegt OCR de ontbrekende tekst toe. Een PDF met al selecteerbare tekst heeft deze tool niet nodig.

Meer dan 100 Tesseract-taalpakketten staan in de lijst, van Engels en Spaans tot Arabisch, Hindi, Japans en Chinees. Vink elke taal aan die in het document voorkomt; de pakketten worden samen geladen, zodat pagina's met gemengde talen in één keer worden herkend. Sommige zelf gehoste installaties bundelen een kortere lijst en vermelden dat boven de taalkeuze.

Nee. De originele pagina's worden ongewijzigd gekopieerd en er wordt een onzichtbare tekstlaag bovenop getekend, woord voor woord gepositioneerd om bij de scan te passen. Je ziet dezelfde afbeelding als voorheen, maar je kunt de tekst nu doorzoeken, selecteren en kopiëren.

Hoog (288 DPI) is de standaard en past bij typische kantoordocumenten. Ga naar Standaard (192 DPI) als snelheid telt of het bestand lang is, en gebruik Ultra (384 DPI) voor kleine letters, voetnoten of slechte scans. Hogere instellingen duren merkbaar langer, omdat elke pagina op dat formaat wordt weergegeven vóór de herkenning.

Het beperkt de uitvoer tot een vaste set tekens, wat fouten vermindert zoals een kleine letter l die als 1 wordt gelezen. De voorinstelling Factuur staat alleen cijfers en de symbolen $ . , / - # : toe, Alleen cijfers past bij serienummers of meterstanden, en met Aangepast typ je je eigen set.

Niet betrouwbaar. Tesseract is getraind op gedrukte tekst, dus nette blokletters werken soms, maar schrijfletters leveren meestal ruis op. De resultaten zijn het best op schone, goed verlichte gedrukte pagina's; de optie Binariseren helpt bij vervaagde scans of scans met weinig contrast, en PDF rechttrekken richt scheve scans eerst recht.

Ja. Wanneer OCR klaar is, verschijnt de geëxtraheerde tekst in een vak waar je hem kunt nakijken, naar het klembord kunt kopiëren of kunt downloaden als ocr-text.txt. De download van de doorzoekbare PDF is apart, dus je kunt een van beide of allebei nemen.

Nee. Tesseract draait als WebAssembly in je browser; de enige downloads zijn de OCR-engine en de taalpakketten die je hebt geselecteerd, opgehaald wanneer ze voor het eerst nodig zijn. De gescande pagina's en de herkende tekst blijven op je apparaat.