OCR PDF

Відкрийте файл у будь-якому переглядачі й спробуйте виділити рядок тексту. Якщо нічого не підсвічується або пошук нічого не знаходить, сторінки є просто зображеннями (скан чи фото), і OCR додає відсутній текст. PDF, який уже має текст для виділення, цього інструмента не потребує.

У списку понад 100 мовних пакетів Tesseract, від англійської та іспанської до арабської, гінді, японської та китайської. Позначте кожну мову, що є в документі; пакети завантажуються разом, тож сторінки зі змішаними мовами розпізнаються за один прохід. Деякі самостійно розгорнуті копії містять коротший список і повідомляють про це над вибором мови.

Ні. Оригінальні сторінки копіюються без змін, а поверх малюється невидимий текстовий шар, розміщений слово за словом відповідно до скану. Ви бачите те саме зображення, що й раніше, але тепер можете шукати, виділяти й копіювати текст.

«Висока» (288 DPI) є значенням за замовчуванням і підходить для типових офісних документів. Перейдіть на «Стандартну» (192 DPI), коли важлива швидкість або файл довгий, і використовуйте «Ультра» (384 DPI) для дрібного друку, приміток чи поганих сканів. Вищі налаштування працюють помітно довше, бо кожна сторінка відображається в такому розмірі перед розпізнаванням.

Він обмежує результат фіксованим набором символів, що зменшує помилки на кшталт розпізнавання малої l як 1. Пресет «Рахунок» дозволяє лише цифри та символи $ . , / - # :, «Лише числа» підходить для серійних номерів чи показників лічильників, а «Власний» дає змогу ввести свій набір.

Ненадійно. Tesseract навчений на друкованому тексті, тож акуратні великі друковані літери іноді працюють, а скоропис здебільшого дає сміття. Найкращі результати на чистих, добре освітлених друкованих сторінках; параметр «Бінаризація» допомагає з вицвілими чи низькоконтрастними сканами, а Вирівнювання PDF спершу випрямляє нахилені.

Так. Коли OCR завершиться, витягнутий текст з'явиться в полі, де його можна переглянути, скопіювати в буфер обміну або завантажити як ocr-text.txt. Завантаження PDF з пошуком окреме, тож можна взяти одне чи обидва.

Ні. Tesseract працює як WebAssembly у вашому браузері; єдині завантаження це рушій OCR і вибрані вами мовні пакети, які отримуються під час першої потреби. Відскановані сторінки та розпізнаний текст залишаються на вашому пристрої.