OCR PDF

Otwórz plik w dowolnej przeglądarce i spróbuj zaznaczyć linię tekstu. Jeśli nic się nie podświetla lub wyszukiwanie nie znajduje dopasowań, strony są tylko obrazami (skanem lub zdjęciem), a OCR dodaje brakujący tekst. PDF, który ma już zaznaczalny tekst, nie potrzebuje tego narzędzia.

Wymienionych jest ponad 100 pakietów językowych Tesseract, od angielskiego i hiszpańskiego po arabski, hindi, japoński i chiński. Zaznacz każdy język występujący w dokumencie; pakiety są ładowane razem, więc strony w mieszanych językach są rozpoznawane w jednym przebiegu. Niektóre wdrożenia na własnych serwerach zawierają krótszą listę i informują o tym nad wyborem języka.

Nie. Oryginalne strony są kopiowane bez zmian, a na wierzchu rysowana jest niewidoczna warstwa tekstowa, ustawiona słowo po słowie zgodnie ze skanem. Widzisz ten sam obraz co wcześniej, ale teraz możesz przeszukiwać, zaznaczać i kopiować tekst.

Wysoka (288 DPI) jest domyślna i radzi sobie z typowymi dokumentami biurowymi. Zejdź do Standardowej (192 DPI), gdy liczy się szybkość lub plik jest długi, a Ultra (384 DPI) użyj do drobnego druku, przypisów lub słabych skanów. Wyższe ustawienia trwają wyraźnie dłużej, bo każda strona jest renderowana w tym rozmiarze przed rozpoznawaniem.

Ogranicza wynik do ustalonego zestawu znaków, co zmniejsza błędy, takie jak odczytanie małej litery l jako 1. Preset Faktura dopuszcza tylko cyfry i symbole $ . , / - # :, Tylko liczby pasuje do numerów seryjnych lub odczytów liczników, a Własne pozwala wpisać własny zestaw.

Niezawodnie nie. Tesseract jest wytrenowany na tekście drukowanym, więc schludne drukowane wielkie litery czasem działają, ale pismo ciągłe daje głównie szum. Wyniki są najlepsze na czystych, dobrze oświetlonych stronach drukowanych; opcja Binaryzacja pomaga przy wyblakłych lub niskokontrastowych skanach, a Wyprostuj PDF najpierw prostuje przechylone.

Tak. Po zakończeniu OCR wyodrębniony tekst pojawia się w polu, gdzie możesz go przejrzeć, skopiować do schowka lub pobrać jako ocr-text.txt. Pobranie przeszukiwalnego PDF jest osobne, więc możesz wziąć jedno lub oba.

Nie. Tesseract działa jako WebAssembly w Twojej przeglądarce; jedyne pobierane pliki to silnik OCR i wybrane pakiety językowe, pobierane przy pierwszej potrzebie. Zeskanowane strony i rozpoznany tekst zostają na Twoim urządzeniu.