OCR, optisk tegngenkendelse, læser bogstaverne i et billede af en side og gør dem til tekst, en computer kan søge i. En scannet PDF er kun billeder, så du kan ikke søge i den, markere en sætning eller kopiere et tal fra den. Efter OCR kan du. Dette værktøj gør det i din browser, uden sidegrænse, og dit dokument uploades aldrig.
Gør en scannet PDF søgbar
Resultatet ser præcis ud som din scanning, fordi de originale sider bevares. Under billedet ligger et usynligt lag af genkendte ord der, hvor hvert ord står, så søgningen fremhæver det rigtige sted, og når du markerer tekst, får du de ord, du ser. Vil du tjekke, om en PDF allerede har tekst, så prøv at markere en linje: kan du ikke det, skal den have OCR.
Vælg sprog til OCR
Genkendelsen skal vide, hvilket alfabet og hvilke ord den kan forvente, så vælg alle sprog, der er trykt i dokumentet, f.eks. dansk og engelsk til en tosproget formular. Over 100 sprog er tilgængelige, bl.a. kinesisk, japansk, koreansk, arabisk, hebraisk og hindi. Hvert sprog hentes én gang, som regel nogle få megabyte, og gemmes derefter af din browser; størrelsen vises, før du starter. Vælger du sprog, der ikke er i dokumentet, bliver genkendelsen langsommere og mindre nøjagtig.
Hvad påvirker nøjagtigheden af OCR
På en ren, lige scanning af trykt tekst i 300 dpi læses næsten hvert ord korrekt. Nøjagtigheden falder med slørede telefonfotos, lav opløsning, skæve eller bøjede sider, svagt tryk, farvede baggrunde, usædvanlige skrifttyper og tabeller med tætte linjer. Håndskrift genkendes for det meste ikke. En højere opløsning i de avancerede indstillinger hjælper på lille skrift, men tager længere tid. Tjek altid navne og tal, du skal bruge.
Sådan virker det
Hver side tegnes som et billede i din browser og læses af Tesseract, en OCR-motor med åben kildekode, der kører på din enhed. De ord, den finder, og deres placering skrives ind i en kopi af din PDF som et usynligt tekstlag og samles i tekstfilen. En bærbar klarer en side på få sekunder; en telefon er langsommere. Lange dokumenter tager længere tid, men har ingen grænse, og estimatet før start fortæller dig, hvad du kan forvente.
Hvad folk bruger det til, og hvornår det ikke virker
Scannede kontrakter og breve, gamle bøger og specialer, kvitteringer og fakturaer til bogføringen, uddelingsark fra skolen, dokumenter fra et arkiv og alt, du vil kunne søge i på din computer senere.
- Layoutet genopbygges ikke. Den søgbare PDF bevarer det originale udseende; tekstfilen er almindelig tekst. Vil du redigere dokumentet, så brug PDF til Word bagefter.
- Håndskrift genkendes for det meste ikke.
- PDF'er, der allerede har tekst, behøver ikke OCR; vil du have deres tekst, så brug PDF til tekst.
- På en telefon skal du holde skærmen tændt og fanen åben under lange opgaver, ellers sætter browseren dem på pause.