Κάντε ένα σαρωμένο PDF με δυνατότητα αναζήτησης χωρίς μεταφόρτωση της σάρωσης
Σαρώστε μια σελίδα και ο υπολογιστής σας αποθηκεύει μια φωτογραφία της. Οι λέξεις φαίνονται σωστά στην οθόνη, αλλά για το λογισμικό είναι απλώς pixel - Ctrl+F δεν βρίσκει τίποτα, η αντιγραφή-επικόλληση δεν σας δίνει τίποτα και κανένα ευρετήριο πουθενά δεν ξέρει τι λέει το έγγραφο. OCR (οπτική αναγνώριση χαρακτήρων) διορθώνει ακριβώς αυτό: κοιτάζει τα σχήματα, αναγνωρίζει γράμματα και λέξεις και γράφει ένα πραγματικό στρώμα κειμένου κάτω από την εικόνα.
Γιατί αυτό έχει σημασία στην πράξη
- Βρίσκοντας οτιδήποτε. Το Ctrl+F σε ένα σαρωμένο συμβόλαιο 200 σελίδων αρχίζει να λειτουργεί.
- Επαναχρησιμοποίηση των λέξεων. Εισαγωγικά, διευθύνσεις, αριθμοί ρήτρας — με δυνατότητα επιλογής και αντιγραφής αντί για επαναπληκτρολόγηση.
- Προσβασιμότητα και ευρετηρίαση. Οι αναγνώστες οθόνης και οι μηχανές αναζήτησης μπορούν ξαφνικά να «διαβάσουν» το έγγραφο.
Τα αλιεύματα που κανείς δεν αναφέρει
Τα περισσότερα διαδικτυακά εργαλεία OCR διαβάζουν το έγγραφό σας ανεβάζοντάς το στους διακομιστές τους — κάτι που είναι περίεργο με τη σάρωση του διαβατηρίου σας, ενός ιατρικού φακέλου ή μιας σύμβασης πελάτη. Το δικό μας Εργαλείο OCR παίρνει το άλλο μονοπάτι: η αναγνώριση εκτελείται μέσα στο πρόγραμμα περιήγησής σας (η βιομηχανική μηχανή Tesseract, μεταγλωττισμένη στο WebAssembly), και το PDF με δυνατότητα αναζήτησης συναρμολογείται επίσης τοπικά. Η σάρωση δεν φεύγει ποτέ από τη συσκευή σας.
Λήψη της καλύτερης ακρίβειας
- Ισιώστε πρώτα. Μια σελίδα με κλίση δύο μοιρών κοστίζει ακρίβεια σε κάθε γραμμή. Τρέξε Deskew πριν από την OCR, εάν η σάρωση φαίνεται στραβά.
- Σάρωση στα 300 DPI. Αρκετή λεπτομέρεια για τον κινητήρα. περισσότερο απλώς το επιβραδύνει.
- Ταίριαξε τη γλώσσα. Επιλέξτε τη σωστή γλώσσα στο εργαλείο OCR — τα λεξικά αναγνώρισης διαφέρουν και τα "Αγγλικά" σε μια γαλλική σελίδα παράγουν σίγουρες ανοησίες.
- Προσοχή στις γραμματοσειρές. Τα πρόσωπα της γραφομηχανής και η γραφή είναι πραγματικά σκληρά. αναμένετε διορθώσεις εκεί.
Μετά το OCR
Η έξοδος είναι ένα PDF που μοιάζει πανομοιότυπο αλλά φέρει αόρατο, επιλέξιμο κείμενο. Από εκεί είναι ένα κανονικό έγγραφο: αναζητήστε, αντιγράψτε, τροφοδοτήστε το στο PDF σε κείμενο εργαλείο για τις ακατέργαστες λέξεις ή μετατρέψτε το σε επεξεργάσιμη μορφή με PDF σε Word.
Λίστα ελέγχου ακρίβειας
- Ισιώστε τη σελίδα πριν από την αναγνώριση. οι σαρώσεις με σκελετό διαβάζονται καλύτερα.
- Χρησιμοποιήστε περίπου 300 DPI — περισσότερα pixel βοηθούν μόνο μέχρι το σημείο που ο θόρυβος αρχίζει να βλάπτει.
- Επιλέξτε τη γλώσσα στη σελίδα, συμπεριλαμβανομένου του σωστού σεναρίου.
- Αναζητήστε τρεις γνωστές λεπτομέρειες στη συνέχεια: ένα σύνολο, μια ημερομηνία και ένα όνομα.
- Ελέγξτε το έντυπο αποτέλεσμα, όχι μόνο το αποτέλεσμα αναζήτησης.
Γλώσσες και γραφή
Η αναγνώριση λειτουργεί καλύτερα σε καθαρό τυπωμένο κείμενο σε γλώσσα που υποστηρίζει. Οι σελίδες μεικτών γλωσσών μπορεί να μπερδέψουν το γλωσσικό μοντέλο. εκτελέστε ξεχωριστά περάσματα εάν τα τμήματα είναι διακριτά. Το χειρόγραφο είναι η σκληρή θήκη — οι τυπωμένες ετικέτες γύρω από μια χειρόγραφη σημείωση ενδέχεται να αναγνωρίζονται ενώ η ίδια η σημείωση χάνεται. Μην αντιμετωπίζετε ένα αποτέλεσμα OCR ως πιστοποιημένη μεταγραφή ενός χειρόγραφου αρχείου.
Τι να κάνετε με το κείμενο μετά
Μόλις η σάρωση έχει ένα επίπεδο κειμένου, μπορεί να γίνει αναζήτηση, αντιγραφή και ευρετηρίαση και μπορεί να μετατραπεί σε Word ή να εξαχθεί ως κείμενο. Διατηρήστε την αρχική σάρωση μαζί με την έκδοση με δυνατότητα αναζήτησης, εάν η εικόνα είναι το νόμιμο αρχείο. Το απόρρητο είναι το άλλο μισό της απόφασης: η αναγνώριση βάσει προγράμματος περιήγησης διατηρεί τη σάρωση στη συσκευή σας, ενώ μια υπηρεσία που βασίζεται σε μεταφόρτωση τη στέλνει σε έναν διακομιστή. Επιλέξτε το μοντέλο που ταιριάζει με την ευαισθησία του εγγράφου και όχι μόνο με την τιμή.
Δοκιμάστε το: κάντε μια σάρωση με δυνατότητα αναζήτησης — τοπικά, δωρεάν: η σάρωση δεν φεύγει ποτέ από τη συσκευή σας και το PDF που δημιουργείται δημιουργείται με τον ίδιο τρόπο.