Gør en scannet PDF søgbar uden at uploade scanningen
Scan en side, og din computer gemmer et billede af den. Ordene ser lige ud på skærmen, men for software er de bare pixels - Ctrl+F finder intet, copy-paste giver dig intet, og intet indeks nogen steder ved, hvad dokumentet siger. OCR (optisk tegngenkendelse) løser præcis det: den ser på formerne, genkender bogstaver og ord og skriver et ægte tekstlag under billedet.
Hvorfor dette betyder noget i praksis
- At finde noget. Ctrl+F på tværs af en 200-siders scannet kontrakt begynder at virke.
- Genbrug af ordene. Citater, adresser, klausulnumre - kan vælges og kopieres i stedet for genindtastning.
- Tilgængelighed og indeksering. Skærmlæsere og søgemaskiner kan pludselig "læse" dokumentet.
Fangsten nævner ingen
De fleste online OCR-værktøjer læser dit dokument ved at uploade det til deres servere - hvilket er en mærkelig ting at gøre med en scanning af dit pas, en lægejournal eller en klientkontrakt. Vores OCR værktøj tager den anden vej: genkendelsen løber inde i din browser (industristandarden Tesseract-motor, kompileret til WebAssembly), og den søgbare PDF er også samlet lokalt. Scanningen forlader aldrig din enhed.
Få den bedste nøjagtighed
- Ret først. En side vippet to grader koster nøjagtighed på hver linje. Løb Deskew før OCR, hvis scanningen ser skæv ud.
- Scan ved 300 DPI. Nok detaljer til motoren; mere bremser det kun.
- Match sproget. Vælg det rigtige sprog i OCR-værktøjet - genkendelsesordbøger er forskellige, og "engelsk" på en fransk side producerer selvsikkert nonsens.
- Pas på skrifttyperne. Skrivemaskineansigter og håndskrift er virkelig hårde; forventer rettelser der.
Efter OCR
Outputtet er en PDF, der ser identisk ud, men som indeholder usynlig, valgbar tekst. Derfra er det et normalt dokument: søg, kopier, feed det til PDF til tekst værktøj til de rå ord, eller konverter det til et redigerbart format med PDF til Word.
En tjekliste for nøjagtighed
- Ret siden op før genkendelse; skæve scanninger læses bedre.
- Brug omkring 300 DPI - flere pixels hjælper kun op til det punkt, hvor støj begynder at gøre ondt.
- Vælg sproget på siden, inklusive det korrekte script.
- Søg efter tre kendte detaljer bagefter: en total, en dato og et navn.
- Tjek det udskrevne output, ikke kun søgeresultatet.
Sprog og håndskrift
Genkendelse fungerer bedst på ren trykt tekst på et sprog, den understøtter. Blandede sprogsider kan forvirre sprogmodellen; køre separate pas, hvis sektionerne er adskilte. Håndskrift er den svære sag - trykte etiketter omkring en håndskrevet note kan genkendes, mens selve noten savnes. Behandl ikke et OCR-resultat som en certificeret transskription af en håndskrevet post.
Hvad skal man gøre med teksten bagefter
Når først scanningen har et tekstlag, kan den søges, kopieres og indekseres, og den kan konverteres til Word eller udtrækkes som tekst. Behold den originale scanning sammen med den søgbare version, hvis billedet er den juridiske registrering. Privatliv er den anden halvdel af beslutningen: browserbaseret genkendelse holder scanningen på din enhed, mens en upload-baseret tjeneste sender den til en server. Vælg den model, der matcher dokumentets følsomhed, ikke kun prisen.
Prøv det: gøre en scanning søgbar — lokalt, gratis: scanningen forlader aldrig din enhed, og den genererede PDF er bygget på samme måde.