OCR em PDF

Abra o arquivo em qualquer leitor e tente selecionar uma linha de texto. Se nada for destacado ou a busca não encontrar resultados, as páginas são só imagens (uma digitalização ou uma foto) e o OCR é o que adiciona o texto que falta. Um PDF que já tem texto selecionável não precisa desta ferramenta.

Mais de 100 pacotes de idioma do Tesseract são listados, do inglês e do espanhol ao árabe, hindi, japonês e chinês. Marque todos os idiomas que aparecem no documento; os pacotes são carregados juntos, então páginas com vários idiomas são reconhecidas de uma só vez. Algumas implantações auto-hospedadas incluem uma lista menor e avisam acima do seletor de idiomas.

Não. As páginas originais são copiadas sem alteração e uma camada de texto invisível é desenhada por cima, posicionada palavra por palavra para combinar com a digitalização. Você vê a mesma imagem de antes, mas agora pode pesquisar, selecionar e copiar o texto.

Alta (288 DPI) é o padrão e atende documentos de escritório comuns. Use Padrão (192 DPI) quando a velocidade importar ou o arquivo for longo, e Ultra (384 DPI) para letras pequenas, notas de rodapé ou digitalizações ruins. Configurações mais altas demoram bem mais, pois cada página é renderizada nesse tamanho antes do reconhecimento.

Ela restringe a saída a um conjunto fixo de caracteres, o que reduz erros como um l minúsculo lido como 1. A predefinição Fatura permite apenas dígitos e os símbolos $ . , / - # :, Somente números serve para números de série ou leituras de medidores, e Personalizado permite digitar seu próprio conjunto.

Não de forma confiável. O Tesseract é treinado em texto impresso, então letras de forma bem feitas às vezes funcionam, mas letra cursiva quase só produz ruído. Os resultados são melhores em páginas impressas limpas e bem iluminadas; a opção Binarizar ajuda com digitalizações desbotadas ou de baixo contraste, e Desinclinar PDF endireita as inclinadas antes.

Sim. Quando o OCR termina, o texto extraído aparece em uma caixa onde você pode revisá-lo, copiá-lo para a área de transferência ou baixá-lo como ocr-text.txt. O download do PDF pesquisável é separado, então você pode pegar um ou os dois.

Não. O Tesseract roda como WebAssembly dentro do seu navegador; os únicos downloads são o mecanismo de OCR e os pacotes de idioma que você selecionou, buscados na primeira vez em que são necessários. As páginas digitalizadas e o texto reconhecido ficam no seu dispositivo.