Umožněte naskenované PDF prohledávat bez nahrání skenu

Naskenujte stránku a váš počítač uloží její fotografii. Slova vypadají na obrazovce správně, ale pro software jsou to jen pixely – Ctrl+F nic nenajde, copy-paste vám nic nedá a žádný index nikde neví, co dokument říká. OCR (optické rozpoznávání znaků) přesně toto řeší: dívá se na tvary, rozpoznává písmena a slova a pod obrázek zapisuje skutečnou textovou vrstvu.

Proč je to v praxi důležité

• Najít cokoli. Ctrl+F na 200stránkové naskenované smlouvě začne fungovat.
• Opětovné použití slov. Citace, adresy, čísla doložek – volitelné a kopírovatelné místo přepisování.
• Přístupnost a indexování. Čtečky obrazovky a vyhledávače mohou náhle „přečíst“ dokument.

O úlovku se nikdo nezmiňuje

Většina online nástrojů OCR čte váš dokument tak, že jej nahraje na své servery – což je podivná věc, která se týká skenování vašeho pasu, lékařského záznamu nebo smlouvy s klientem. naše nástroj OCR jde jinou cestou: rozpoznávání běží uvnitř vašeho prohlížeče (standardní stroj Tesseract, zkompilovaný do WebAssembly) a prohledávatelné PDF je také sestavováno lokálně. Skenování nikdy neopustí vaše zařízení.

Získání nejlepší přesnosti

1. Nejprve se narovnejte. Stránka nakloněná o dva stupně stojí přesnost na každém řádku. Spustit Zkosení před OCR, pokud skenování vypadá křivě.
2. Skenování při 300 DPI. Dostatek detailů pro motor; více to jen zpomaluje.
3. Přizpůsobte jazyk. Vyberte si správný jazyk v nástroji OCR – rozpoznávací slovníky se liší a „angličtina“ na francouzské stránce vytváří sebevědomé nesmysly.
4. Pozor na písma. Tváře psacího stroje a rukopis jsou skutečně tvrdé; tam očekávejte opravy.

Po OCR

Výstupem je PDF, které vypadá identicky, ale nese neviditelný, volitelný text. Odtud je to normální dokument: hledejte, kopírujte, vkládejte do PDF na text nástroj pro nezpracovaná slova nebo jej převést do upravitelného formátu pomocí PDF do Wordu.

Kontrolní seznam přesnosti

1. Před rozpoznáním stránku narovnejte; sešikmené skeny se lépe čtou.
2. Použijte asi 300 DPI – více pixelů pomůže jen do bodu, kdy začne bolet šum.
3. Vyberte jazyk na stránce včetně správného písma.
4. Poté vyhledejte tři známé podrobnosti: součet, datum a jméno.
5. Zkontrolujte tištěný výstup, nejen výsledek vyhledávání.

Jazyky a rukopis

Rozpoznávání funguje nejlépe na čistém tištěném textu v jazyce, který podporuje. Stránky smíšeného jazyka mohou jazykový model zmást; spusťte samostatné průchody, pokud jsou sekce odlišné. Rukopis je pevný případ – tištěné štítky kolem ručně psané poznámky mohou být rozpoznány, zatímco samotná poznámka chybí. Nepovažujte výsledek OCR za ověřený přepis ručně psaného záznamu.

Co dělat s textem poté

Jakmile má sken textovou vrstvu, lze jej prohledávat, kopírovat a indexovat a lze jej převést do aplikace Word nebo extrahovat jako text. Uchovávejte originál skenu vedle verze s možností vyhledávání, pokud je obrázek zákonným záznamem. Soukromí je druhá polovina rozhodnutí: rozpoznávání založené na prohlížeči uchovává skenování ve vašem zařízení, zatímco služba založená na nahrávání je odesílá na server. Vyberte si model, který odpovídá citlivosti dokumentu, nejen ceně.

Zkuste to: aby bylo možné skenovat — lokálně zdarma: skenování nikdy neopustí vaše zařízení a vygenerované PDF je sestaveno stejným způsobem.