Haga que un PDF escaneado pueda buscarse sin cargar el escaneo
Escanee una página y su computadora almacenará una fotografía de ella. Las palabras aparecen directamente en la pantalla, pero para el software son solo píxeles: Ctrl+F no encuentra nada, copiar y pegar no proporciona nada y ningún índice en ninguna parte sabe lo que dice el documento. OCR (reconocimiento óptico de caracteres) soluciona exactamente eso: mira las formas, reconoce letras y palabras y escribe una capa de texto real debajo de la imagen.
Por qué esto es importante en la práctica
- Encontrar cualquier cosa. Ctrl+F en un contrato escaneado de 200 páginas comienza a funcionar.
- Reutilizando las palabras. Cotizaciones, direcciones, números de cláusulas: seleccionables y copiables en lugar de volver a escribirlos.
- Accesibilidad e indexación. Los lectores de pantalla y los motores de búsqueda pueden "leer" repentinamente el documento.
La captura que nadie menciona.
La mayoría de las herramientas de OCR en línea leen su documento cargándolo en sus servidores, lo cual es algo extraño cuando se escanea su pasaporte, un historial médico o un contrato con un cliente. Nuestro herramienta de reconocimiento óptico de caracteres toma el otro camino: el reconocimiento corre dentro de tu navegador (el motor Tesseract estándar de la industria, compilado en WebAssembly), y el PDF con capacidad de búsqueda también se ensambla localmente. El escaneo nunca sale de su dispositivo.
Obteniendo la mejor precisión
- Enderece primero. Una página inclinada dos grados cuesta precisión en cada línea. correr alinear antes del OCR si el escaneo parece torcido.
- Escanee a 300 ppp. Suficientes detalles para el motor; más sólo lo ralentiza.
- Coincide con el idioma. Elija el idioma correcto en la herramienta OCR: los diccionarios de reconocimiento difieren y "inglés" en una página en francés produce una tontería segura.
- Cuidado con las fuentes. Los rostros de las máquinas de escribir y la escritura a mano son realmente difíciles; Espere correcciones allí.
Después del reconocimiento óptico de caracteres
El resultado es un PDF que parece idéntico pero contiene texto invisible y seleccionable. A partir de ahí es un documento normal: búsquelo, cópielo, envíelo al PDF a texto herramienta para las palabras sin procesar, o conviértala a un formato editable con PDF a Word.
Una lista de verificación de precisión
- Enderezar la página antes del reconocimiento; los escaneos enderezados se leen mejor.
- Utilice alrededor de 300 DPI; más píxeles solo ayudan hasta el punto en que el ruido comienza a doler.
- Elija el idioma de la página, incluida la escritura correcta.
- Luego busca tres detalles conocidos: un total, una fecha y un nombre.
- Verifique el resultado impreso, no solo el resultado de la búsqueda.
Idiomas y escritura
El reconocimiento funciona mejor en texto impreso limpio en un idioma compatible. Las páginas en varios idiomas pueden confundir el modelo de idioma; ejecute pases separados si las secciones son distintas. La escritura a mano es el caso difícil: las etiquetas impresas alrededor de una nota escrita a mano pueden reconocerse mientras que la nota en sí se pasa por alto. No trate un resultado de OCR como una transcripción certificada de un registro escrito a mano.
Qué hacer con el texto después
Una vez que el escaneo tiene una capa de texto, se puede buscar, copiar e indexar, y se puede convertir a Word o extraer como texto. Guarde el escaneo original junto con la versión con capacidad de búsqueda si la imagen es el registro legal. La privacidad es la otra mitad de la decisión: el reconocimiento basado en el navegador mantiene el escaneo en su dispositivo, mientras que un servicio basado en carga lo envía a un servidor. Elija el modelo que coincida con la sensibilidad del documento, no sólo el precio.
Pruébalo: hacer un escaneo con capacidad de búsqueda — localmente, gratis: el escaneo nunca sale de su dispositivo y el PDF generado se construye de la misma manera.