OCR یا نویسهخوان نوری، حروف را در تصویر یک صفحه میخواند و به متنی تبدیل میکند که کامپیوتر بتواند جستوجو کند. PDF اسکنشده فقط تصویر است، پس نمیتوانید در آن جستوجو کنید، جملهای را انتخاب کنید یا عددی را از آن کپی کنید. پس از OCR میتوانید. این ابزار این کار را در مرورگر شما و بدون محدودیت صفحه انجام میدهد و سندتان هرگز بارگذاری نمیشود.
PDF اسکنشده را قابل جستوجو کنید
نتیجه دقیقاً شبیه اسکن شماست، چون صفحههای اصلی حفظ میشوند. زیر تصویر، لایهای نامرئی از کلمات تشخیصدادهشده درست جایی قرار میگیرد که هر کلمه دیده میشود، پس جستوجو جای درست را هایلایت میکند و انتخاب متن همان کلماتی را برمیدارد که میبینید. برای اینکه بفهمید PDF از قبل متن دارد یا نه، یک خط را انتخاب کنید: اگر نشد، به OCR نیاز دارد.
انتخاب زبانهای OCR
تشخیص متن باید بداند منتظر کدام الفبا و کلمات باشد، پس همهٔ زبانهایی را که در سند چاپ شدهاند انتخاب کنید، مثلاً انگلیسی و اسپانیایی برای یک فرم دوزبانه. بیش از ۱۰۰ زبان در دسترس است، از جمله چینی، ژاپنی، کرهای، عربی، عبری و هندی. هر زبان یک بار دانلود میشود، معمولاً چند مگابایت، و بعد در مرورگر شما میماند؛ حجم آن پیش از شروع نشان داده میشود. انتخاب زبانهایی که در سند نیستند، تشخیص را کندتر و کمدقتتر میکند.
چه چیزی بر دقت OCR اثر دارد
در اسکن تمیز و صاف از متن چاپی با ۳۰۰ dpi، تقریباً همهٔ کلمات درست خوانده میشوند. دقت با عکسهای تار گوشی، وضوح کم، صفحههای کج یا تاخورده، چاپ کمرنگ، پسزمینهٔ رنگی، فونتهای غیرمعمول و جدولهایی با خطوط فشرده پایین میآید. دستخط بیشتر تشخیص داده نمیشود. بالا بردن وضوح در تنظیمات پیشرفته به حروف ریز کمک میکند، به قیمت زمان بیشتر. نامها و عددهایی را که به آنها تکیه میکنید همیشه بررسی کنید.
روش کار
هر صفحه در مرورگر شما بهصورت تصویر رسم میشود و Tesseract، یک موتور OCR متنباز، آن را روی دستگاه شما میخواند. کلماتی که پیدا میکند و جای آنها بهصورت لایهٔ متنی نامرئی در نسخهای از PDF شما نوشته و در فایل متنی جمع میشوند. لپتاپ هر صفحه را در چند ثانیه پردازش میکند؛ گوشی کندتر است. اسناد طولانی بیشتر طول میکشند اما محدودیتی ندارند و برآورد پیش از شروع به شما میگوید منتظر چه باشید.
کاربردهای رایج، و جاهایی که جواب نمیدهد
قراردادها و نامههای اسکنشده، کتابها و پایاننامههای قدیمی، رسیدها و فاکتورها برای حسابداری، جزوههای درسی، سوابق بایگانی، و هر چیزی که بخواهید بعداً در کامپیوترتان جستوجو کنید.
- چیدمان از نو ساخته نمیشود. PDF قابل جستوجو ظاهر اصلی را نگه میدارد؛ فایل متنی، متن ساده است. برای ویرایش سند، بعد از آن از PDF به Word استفاده کنید.
- دستخط بیشتر تشخیص داده نمیشود.
- PDFهایی که از قبل متن دارند به OCR نیاز ندارند؛ برای گرفتن متنشان از PDF به متن استفاده کنید.
- روی گوشی، در کارهای طولانی صفحه را روشن و زبانه را باز نگه دارید، وگرنه مرورگر کار را متوقف میکند.