OCR, optische tekenherkenning, leest de letters op een afbeelding van een pagina en maakt er tekst van die een computer kan doorzoeken. Een gescande PDF bestaat alleen uit afbeeldingen, dus je kunt er niet in zoeken, geen zin selecteren en geen getal uit kopiëren. Na OCR wel. Deze tool doet dat in je browser, zonder paginalimiet, en je document wordt nooit geüpload.
Een gescande PDF doorzoekbaar maken
Het resultaat ziet er precies zo uit als je scan, want de originele pagina's blijven behouden. Onder de afbeelding ligt een onzichtbare laag herkende woorden, elk op de plek waar het woord staat. Zoeken markeert dus de juiste plek en bij het selecteren pak je de woorden die je ziet. Wil je weten of een PDF al tekst heeft, probeer dan een regel te selecteren: lukt dat niet, dan is OCR nodig.
OCR-talen kiezen
De herkenning moet weten welk alfabet en welke woorden te verwachten zijn, dus kies elke taal die in het document staat, zoals Nederlands en Engels voor een tweetalig formulier. Er zijn meer dan 100 talen beschikbaar, waaronder Chinees, Japans, Koreaans, Arabisch, Hebreeuws en Hindi. Elke taal wordt eenmalig gedownload, meestal een paar megabyte, en daarna door je browser bewaard; de grootte zie je voordat je begint. Talen kiezen die niet in het document staan, maakt de herkenning trager en minder nauwkeurig.
Wat de nauwkeurigheid van OCR bepaalt
Bij een schone, rechte scan van gedrukte tekst op 300 dpi wordt bijna elk woord goed gelezen. De nauwkeurigheid daalt bij wazige telefoonfoto's, lage resolutie, scheve of gekrulde pagina's, vage druk, gekleurde achtergronden, ongebruikelijke lettertypen en tabellen met krappe lijnen. Handschrift wordt meestal niet herkend. Een hogere resolutie in de geavanceerde instellingen helpt bij kleine letters, maar kost tijd. Controleer altijd namen en getallen waar je op vertrouwt.
Hoe het werkt
Elke pagina wordt in je browser als afbeelding getekend en gelezen door Tesseract, een opensource-OCR-engine die op je apparaat draait. De gevonden woorden en hun posities worden als onzichtbare tekstlaag in een kopie van je PDF geschreven en in het tekstbestand verzameld. Een laptop doet een pagina in een paar seconden; een telefoon is trager. Lange documenten duren langer maar hebben geen limiet, en de inschatting vooraf vertelt je wat je kunt verwachten.
Waarvoor mensen het gebruiken, en wanneer het niet werkt
Gescande contracten en brieven, oude boeken en scripties, bonnetjes en facturen voor de boekhouding, hand-outs van school, stukken uit een archief, en alles waarin je later op je computer wilt zoeken.
- De opmaak wordt niet nagebouwd. De doorzoekbare PDF houdt het originele uiterlijk; het tekstbestand is platte tekst. Wil je het document bewerken, gebruik daarna PDF naar Word.
- Handschrift wordt meestal niet herkend.
- PDF's die al tekst hebben hebben geen OCR nodig; voor hun tekst gebruik je PDF naar tekst.
- Op een telefoon houd je bij lange taken het scherm aan en het tabblad open, anders pauzeert de browser ze.