Maak een gescande PDF doorzoekbaar zonder de scan te uploaden
Scan een pagina en uw computer slaat er een foto van op. De woorden zien er goed uit op het scherm, maar voor software zijn het slechts pixels: Ctrl+F vindt niets, kopiëren en plakken levert niets op, en geen enkele index weet waar het document staat. OCR (optische tekenherkenning) lost precies dat op: het kijkt naar de vormen, herkent letters en woorden en schrijft een echte tekstlaag onder de afbeelding.
Waarom dit in de praktijk van belang is
- Iets vinden. Ctrl+F voor een gescand contract van 200 pagina's begint te werken.
- Het hergebruiken van de woorden. Citaten, adressen, clausulenummers – selecteerbaar en kopieerbaar in plaats van opnieuw te typen.
- Toegankelijkheid en indexering. Schermlezers en zoekmachines kunnen het document plotseling ‘lezen’.
De vangst waar niemand het over heeft
De meeste online OCR-tools lezen uw document door het naar hun servers te uploaden – wat vreemd is bij een scan van uw paspoort, een medisch dossier of een klantencontract. Onze OCR-tool neemt de andere weg: de herkenning loopt in uw browser (de industriestandaard Tesseract-engine, gecompileerd met WebAssembly), en de doorzoekbare PDF wordt ook lokaal samengesteld. De scan verlaat uw apparaat nooit.
De beste nauwkeurigheid verkrijgen
- Eerst rechttrekken. Een pagina die twee graden gekanteld is, kost nauwkeurigheid op elke regel. Rennen Rechtzetten vóór OCR als de scan er scheef uitziet.
- Scannen met 300 DPI. Genoeg detail voor de motor; meer vertraagt het alleen maar.
- Pas de taal aan. Kies de juiste taal in de OCR-tool – herkenningswoordenboeken verschillen, en ‘Engels’ op een Franse pagina levert zelfverzekerde onzin op.
- Let op de lettertypen. De gezichten en het handschrift van de typemachine zijn echt moeilijk; verwacht daar correcties.
Na OCR
De uitvoer is een PDF die er identiek uitziet, maar onzichtbare, selecteerbare tekst bevat. Van daaruit is het een normaal document: zoeken, kopiëren, invoeren in de PDF naar tekst tool voor de onbewerkte woorden, of converteer het naar een bewerkbaar formaat met PDF naar Word.
Een nauwkeurigheidscontrolelijst
- Maak de pagina recht voordat deze wordt herkend; gecorrigeerde scans lezen beter.
- Gebruik ongeveer 300 DPI; meer pixels helpen alleen tot het punt waarop ruis pijn begint te doen.
- Kies de taal op de pagina, inclusief het juiste script.
- Zoek daarna naar drie bekende gegevens: een totaal, een datum en een naam.
- Controleer de afgedrukte uitvoer, niet alleen het zoekresultaat.
Talen en handschrift
Herkenning werkt het beste bij helder afgedrukte tekst in een taal die wordt ondersteund. Gemengde taalpagina's kunnen het taalmodel verwarren; Voer afzonderlijke passages uit als de secties verschillend zijn. Handschrift is het moeilijkste geval: gedrukte labels rond een handgeschreven notitie kunnen worden herkend terwijl de notitie zelf wordt gemist. Beschouw een OCR-resultaat niet als een gecertificeerde transcriptie van een handgeschreven record.
Wat je daarna met de tekst moet doen
Zodra de scan een tekstlaag heeft, kan deze worden doorzocht, gekopieerd en geïndexeerd en kan deze worden geconverteerd naar Word of als tekst worden geëxtraheerd. Bewaar de originele scan naast de doorzoekbare versie als de afbeelding het juridische document is. Privacy is de andere helft van de beslissing: browsergebaseerde herkenning houdt de scan op uw apparaat, terwijl een op upload gebaseerde service deze naar een server stuurt. Kies het model dat past bij de gevoeligheid van het document, niet alleen bij de prijs.
Probeer het: maak een scan doorzoekbaar — lokaal, gratis: de scan verlaat nooit uw apparaat en de gegenereerde PDF is op dezelfde manier opgebouwd.