Jadikan PDF yang Dipindai Dapat Dicari Tanpa Mengunggah Pindaian

Pindai halaman dan komputer Anda menyimpan fotonya. Kata-kata tersebut terlihat tepat di layar, namun bagi perangkat lunak, kata-kata tersebut hanyalah piksel — Ctrl+F tidak menemukan apa pun, salin-tempel tidak memberikan apa pun, dan tidak ada indeks di mana pun yang mengetahui isi dokumen tersebut. OCR (pengenalan karakter optik) memperbaiki hal tersebut: ia melihat bentuk, mengenali huruf dan kata, dan menulis lapisan teks nyata di bawah gambar.

Mengapa hal ini penting dalam praktiknya

• Menemukan apa pun. Ctrl+F pada kontrak pindaian 200 halaman mulai berfungsi.
• Menggunakan kembali kata-kata tersebut. Kutipan, alamat, nomor klausa — dapat dipilih dan disalin, bukan diketik ulang.
• Aksesibilitas dan pengindeksan. Pembaca layar dan mesin pencari dapat tiba-tiba “membaca” dokumen tersebut.

Tangkapan yang tidak disebutkan siapa pun

Sebagian besar alat OCR online membaca dokumen Anda dengan mengunggahnya ke server mereka — hal ini merupakan hal yang aneh jika dilakukan dengan pemindaian paspor, rekam medis, atau kontrak klien Anda. Kami alat OCR mengambil jalan lain: pengenalan berjalan di dalam browser Anda (mesin Tesseract standar industri, dikompilasi ke WebAssembly), dan PDF yang dapat dicari juga dirakit secara lokal. Pemindaian tidak pernah meninggalkan perangkat Anda.

Mendapatkan akurasi terbaik

1. Luruskan dulu. Halaman yang dimiringkan dua derajat membutuhkan akurasi di setiap barisnya. Jalankan meja tulis sebelum OCR jika hasil scan terlihat bengkok.
2. Pindai pada 300 DPI. Detail yang cukup untuk mesin; more hanya memperlambatnya.
3. Cocokkan bahasanya. Pilih bahasa yang tepat di alat OCR — kamus pengenalan berbeda-beda, dan “Bahasa Inggris” di halaman Prancis menghasilkan omong kosong yang meyakinkan.
4. Perhatikan fontnya. Wajah mesin tik dan tulisan tangan benar-benar sulit; mengharapkan koreksi di sana.

Setelah OCR

Outputnya adalah PDF yang terlihat sama tetapi berisi teks yang tidak terlihat dan dapat dipilih. Dari sana menjadi dokumen biasa: cari, salin, masukkan ke PDF ke Teks alat untuk kata-kata mentah, atau ubah ke format yang dapat diedit dengan PDF ke Word.

Daftar periksa akurasi

1. Luruskan halaman sebelum dikenali; pemindaian deskewed membaca lebih baik.
2. Gunakan sekitar 300 DPI — lebih banyak piksel hanya membantu sampai pada titik di mana noise mulai mengganggu.
3. Pilih bahasa di halaman, termasuk skrip yang benar.
4. Cari tiga detail yang diketahui setelahnya: total, tanggal, dan nama.
5. Periksa hasil cetakan, bukan hanya hasil pencarian.

Bahasa dan tulisan tangan

Pengenalan berfungsi paling baik pada teks cetakan bersih dalam bahasa yang didukungnya. Halaman dengan bahasa campuran dapat membingungkan model bahasa; jalankan lintasan terpisah jika bagiannya berbeda. Tulisan tangan adalah kasus yang sulit — label yang tercetak di sekitar catatan tulisan tangan dapat dikenali meskipun catatan itu sendiri terlewat. Jangan perlakukan hasil OCR sebagai transkripsi bersertifikat dari catatan tulisan tangan.

Apa yang harus dilakukan dengan teks setelahnya

Setelah pemindaian memiliki lapisan teks, pemindaian dapat dicari, disalin, dan diindeks, serta dapat dikonversi ke Word atau diekstraksi sebagai teks. Simpan pindaian asli di samping versi yang dapat dicari jika gambar tersebut merupakan catatan resmi. Privasi adalah separuh keputusan lainnya: pengenalan berbasis browser menyimpan pemindaian di perangkat Anda, sementara layanan berbasis unggahan mengirimkannya ke server. Pilih model yang sesuai dengan sensitivitas dokumen, bukan hanya harganya.

Cobalah: membuat pindaian dapat dicari — secara lokal, gratis: pemindaian tidak pernah meninggalkan perangkat Anda dan PDF yang dihasilkan dibuat dengan cara yang sama.