رفتن به محتوا
  1. خانه
  2. OCR برای PDF

OCR برای PDF

OCR برای PDF که سند اسکن‌شده را به PDF قابل جست‌وجو و قابل کپی، به‌علاوهٔ یک فایل متنی ساده تبدیل می‌کند. روی دستگاه شما و بدون محدودیت صفحه اجرا می‌شود.

چیزی بارگذاری نمی‌شود رایگان، بدون حساب کاربری بدون محدودیت صفحه

چگونه کار می‌کند:

  • استخراج متن: از Tesseract OCR برای شناسایی متن در تصاویر یا PDFهای اسکن‌شده بهره می‌گیرد.
  • خروجی قابل جستجو: یک PDF تازه با لایهٔ متنی نامرئی می‌سازد که سند شما را کاملاً قابل جستجو می‌کند و در عین حال ظاهر اصلی را نگه می‌دارد.
  • پالایش نویسه‌ها: با فهرست سفید، نویسه‌های ناخواسته را کنار بگذارید و دقت را برای انواع خاص سند (فاکتور، فرم و غیره) بهبود دهید.
  • پشتیبانی چندزبانه: برای اسنادی که محتوای چندزبانه دارند، چند زبان را برگزینید.

برای انتخاب فایل کلیک کنید یا فایل را بکشید و رها کنید

فایل‌های شما هرگز از دستگاهتان خارج نمی‌شوند.

روش OCR کردن PDF

  1. PDF اسکن‌شده را اضافه کنید

    با هر طولی. فایل روی دستگاه شما می‌ماند.

  2. زبان‌ها را انتخاب کنید

    زبان‌هایی را که در سند چاپ شده‌اند تیک بزنید. می‌بینید چه مقدار دادهٔ زبان دانلود می‌شود و تقریباً چقدر طول می‌کشد.

  3. OCR را شروع کنید

    پیشرفت صفحه‌به‌صفحه نشان داده می‌شود و هر زمان بخواهید می‌توانید لغو کنید.

  4. PDF یا متن را ذخیره کنید

    PDF قابل جست‌وجو یا متن را به‌صورت فایل .txt دانلود کنید، یا متن را همان لحظه کپی کنید.

آنچه به دست می‌آورید

Search for "total": no results
قبل
Same page, now with text: search, select, copy
بعد
خروجی OCR شامل چیست
آنچه می‌گیرید چیست مناسب برای
PDF قابل جست‌وجو صفحه‌های اصلی شما با متن نامرئی روی کلمات جست‌وجو، کپی، بایگانی، ارسال
فایل متنی (.txt) همهٔ متن تشخیص‌داده‌شده، صفحه‌به‌صفحه، بدون چیدمان نقل قول، یادداشت، بردن متن به برنامه‌های دیگر

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.

پرسش و پاسخ

OCR در PDF چیست؟
یعنی تشخیص متن: حروف صفحه‌های اسکن‌شده خوانده و به‌صورت متن واقعی به PDF افزوده می‌شوند تا بتوانید جست‌وجو و کپی کنید.
چطور PDF را قابل جست‌وجو کنم؟
آن را در همین صفحه اضافه کنید، زبان‌های سند را انتخاب کنید و «شروع OCR» را بزنید. پس از پایان، PDF قابل جست‌وجو را دانلود کنید.
از کجا بفهمم PDF من لایهٔ متنی دارد؟
سعی کنید یک خط متن را انتخاب کنید یا کلمه‌ای را که می‌بینید جست‌وجو کنید. اگر چیزی انتخاب یا پیدا نشد، صفحه‌ها تصویرند و به OCR نیاز دارند.
چرا OCR همهٔ متن را تشخیص نداد؟
معمولاً اسکن تار، کج یا کم‌وضوح است، یا یکی از زبان‌ها را انتخاب نکرده‌اید. وضوح بالاتر و زبان‌های درست را امتحان کنید.
OCR چیدمان صفحه را حفظ می‌کند؟
PDF قابل جست‌وجو دقیقاً شبیه اسکن است. فایل متنی فقط کلمات را بدون چیدمان دارد.
OCR دست‌خط را می‌خواند؟
بیشتر نه. برای متن چاپی ساخته شده؛ حروف درشت و مرتب گاهی جواب می‌دهد.
محدودیت تعداد صفحه دارد؟
خیر. اسناد طولانی فقط بیشتر طول می‌کشند و زمان تقریبی پیش از شروع نشان داده می‌شود.
آیا فایل من بارگذاری می‌شود؟
خیر. تشخیص متن در مرورگر شما انجام می‌شود. فقط داده‌های زبان یک بار دانلود می‌شوند و سند شما هرگز از دستگاهتان خارج نمی‌شود.

به‌روزرسانی پس از بارگیری صفحه و داده‌های زبان، آفلاین هم کار می‌کند