OCR, optické rozpoznávanie znakov, prečíta písmená na obrázku strany a premení ich na text, v ktorom môže počítač vyhľadávať. Naskenované PDF sú len obrázky, takže v nich nemôžete vyhľadávať, označiť vetu ani skopírovať číslo. Po OCR to ide. Tento nástroj to urobí vo vašom prehliadači, bez limitu strán, a váš dokument sa nikdy nenahráva.
Ako urobiť naskenované PDF prehľadávateľným
Výsledok vyzerá presne ako váš sken, pretože pôvodné strany sa zachovajú. Pod obrázkom leží neviditeľná vrstva rozpoznaných slov presne tam, kde je každé slovo, takže vyhľadávanie zvýrazní správne miesto a pri označovaní textu vyberiete slová, ktoré vidíte. Ak chcete zistiť, či PDF už text má, skúste označiť riadok: ak sa nedá, potrebuje OCR.
Výber jazykov pre OCR
Rozpoznávanie potrebuje vedieť, akú abecedu a slová očakávať, preto vyberte každý jazyk, ktorým je dokument napísaný, napríklad slovenčinu a angličtinu pri dvojjazyčnom tlačive. K dispozícii je viac ako 100 jazykov vrátane čínštiny, japončiny, kórejčiny, arabčiny, hebrejčiny a hindčiny. Každý jazyk sa stiahne raz, zvyčajne má niekoľko megabajtov, a potom ho prehliadač uchová; veľkosť uvidíte pred spustením. Výber jazykov, ktoré v dokumente nie sú, rozpoznávanie spomalí a zníži jeho presnosť.
Čo ovplyvňuje presnosť OCR
Na čistom, rovnom skene tlačeného textu pri 300 dpi sa takmer každé slovo prečíta správne. Presnosť klesá pri rozmazaných fotkách z telefónu, nízkom rozlíšení, naklonených či zvlnených stranách, bledej tlači, farebnom pozadí, nezvyčajných písmach a tabuľkách s hustými čiarami. Rukopis sa väčšinou nerozpozná. Zvýšenie rozlíšenia v rozšírených nastaveniach pomôže pri drobnom písme, no trvá dlhšie. Mená a čísla, na ktoré sa spoliehate, vždy skontrolujte.
Ako to funguje
Každá strana sa vo vašom prehliadači vykreslí ako obrázok a prečíta ju Tesseract, open source OCR nástroj, ktorý beží vo vašom zariadení. Nájdené slová a ich polohy sa zapíšu do kópie vášho PDF ako neviditeľná textová vrstva a zhromaždia sa do textového súboru. Notebook zvládne stranu za pár sekúnd; telefón je pomalší. Dlhé dokumenty trvajú dlhšie, ale nemajú limit, a odhad pred spustením vám povie, čo čakať.
Na čo sa používa a kedy nebude fungovať
Naskenované zmluvy a listy, staré knihy a záverečné práce, bločky a faktúry pre účtovníctvo, školské materiály, záznamy z archívu a všetko, v čom chcete neskôr vyhľadávať v počítači.
- Rozloženie sa neobnovuje. Prehľadávateľné PDF si zachová pôvodný vzhľad; textový súbor je obyčajný text. Ak chcete dokument upravovať, použite potom PDF do Wordu.
- Rukopis sa väčšinou nerozpozná.
- PDF, ktoré už text majú, OCR nepotrebujú; ich text získate nástrojom PDF na text.
- Na telefóne nechajte pri dlhých úlohách zapnutú obrazovku a otvorenú kartu, inak ich prehliadač pozastaví.