OCR, czyli optyczne rozpoznawanie znaków, odczytuje litery z obrazu strony i zamienia je w tekst, który komputer może przeszukiwać. Zeskanowany PDF to same obrazy, więc nie da się go przeszukać, zaznaczyć zdania ani skopiować liczby. Po OCR już się da. To narzędzie robi to w przeglądarce, bez limitu stron, a twój dokument nigdy nie jest wysyłany.
Jak sprawić, by w zeskanowanym PDF dało się wyszukiwać
Wynik wygląda dokładnie jak twój skan, bo oryginalne strony zostają. Pod obrazem leży niewidoczna warstwa rozpoznanych słów, każde w miejscu, w którym je widać, więc wyszukiwanie podświetla właściwe miejsce, a zaznaczanie łapie słowa, które widzisz. Aby sprawdzić, czy PDF ma już tekst, spróbuj zaznaczyć wiersz: jeśli się nie da, potrzebuje OCR.
Wybierz języki OCR
Rozpoznawanie musi wiedzieć, jakiego alfabetu i słów się spodziewać, więc wybierz każdy język, który występuje w dokumencie, na przykład polski i angielski dla dwujęzycznego formularza. Dostępnych jest ponad 100 języków, w tym chiński, japoński, koreański, arabski, hebrajski i hindi. Każdy język pobiera się raz, zwykle kilka megabajtów, a potem przeglądarka go przechowuje; rozmiar widać przed startem. Wybranie języków, których nie ma w dokumencie, spowalnia rozpoznawanie i obniża dokładność.
Co wpływa na dokładność OCR
Na czystym, prostym skanie drukowanego tekstu w 300 dpi niemal każde słowo jest odczytywane poprawnie. Dokładność spada przy rozmazanych zdjęciach z telefonu, niskiej rozdzielczości, krzywych lub pozwijanych stronach, bladym druku, kolorowym tle, nietypowych czcionkach i tabelach z gęstymi liniami. Pismo odręczne w większości nie jest rozpoznawane. Zwiększenie rozdzielczości w ustawieniach zaawansowanych pomaga przy drobnym druku, kosztem czasu. Zawsze sprawdzaj nazwiska i liczby, na których polegasz.
Jak to działa
Każda strona jest rysowana jako obraz w przeglądarce i odczytywana przez Tesseract, otwartoźródłowy silnik OCR działający na twoim urządzeniu. Znalezione słowa i ich położenie są zapisywane w kopii twojego PDF jako niewidoczna warstwa tekstu i zbierane w pliku tekstowym. Laptop radzi sobie ze stroną w kilka sekund; telefon jest wolniejszy. Długie dokumenty trwają dłużej, ale nie mają limitu, a szacunek przed startem mówi, czego się spodziewać.
Do czego się przydaje i kiedy nie zadziała
Zeskanowane umowy i listy, stare książki i prace dyplomowe, paragony i faktury do księgowości, materiały ze szkoły, dokumenty z archiwum i wszystko, co chcesz później przeszukiwać na komputerze.
- Układ nie jest odtwarzany. PDF z możliwością wyszukiwania zachowuje oryginalny wygląd; plik tekstowy to zwykły tekst. Aby edytować dokument, użyj potem PDF do Word.
- Pismo odręczne w większości nie jest rozpoznawane.
- PDF, które mają już tekst, nie potrzebują OCR; aby wyciągnąć z nich tekst, użyj PDF do tekstu.
- Na telefonie przy długich zadaniach nie wyłączaj ekranu i nie zamykaj karty, bo przeglądarka je wstrzyma.