Gjør en skannet PDF søkbar uten å laste opp skanningen
Skann en side og datamaskinen lagrer et bilde av den. Ordene ser rett ut på skjermen, men for programvare er de bare piksler - Ctrl+F finner ingenting, copy-paste gir deg ingenting, og ingen indeks vet hva dokumentet sier. OCR (optisk tegngjenkjenning) fikser akkurat det: den ser på formene, gjenkjenner bokstaver og ord, og skriver et ekte tekstlag under bildet.
Hvorfor dette betyr noe i praksis
- Finner hva som helst. Ctrl+F over en 200-siders skannet kontrakt begynner å fungere.
- Gjenbruk av ordene. Sitater, adresser, klausulnumre - kan velges og kopieres i stedet for å skrives inn på nytt.
- Tilgjengelighet og indeksering. Skjermlesere og søkemotorer kan plutselig "lese" dokumentet.
Fangsten ingen nevner
De fleste online OCR-verktøy leser dokumentet ditt ved å laste det opp til serverne deres - noe som er en merkelig ting å gjøre med en skanning av passet ditt, en medisinsk journal eller en klientkontrakt. Vår OCR-verktøy tar den andre veien: gjenkjennelse løper inne i nettleseren din (industristandarden Tesseract-motoren, kompilert til WebAssembly), og den søkbare PDF-filen er også satt sammen lokalt. Skanningen forlater aldri enheten din.
Får den beste nøyaktigheten
- Rett opp først. En side vippet to grader koster nøyaktighet på hver linje. Løp Deskew før OCR hvis skanningen ser skjev ut.
- Skann ved 300 DPI. Nok detaljer for motoren; mer bare bremser det ned.
- Match språket. Velg riktig språk i OCR-verktøyet - gjenkjennelsesordbøker er forskjellige, og "engelsk" på en fransk side produserer selvsikkert tull.
- Pass på skriftene. Skrivemaskinansikter og håndskrift er virkelig vanskelig; forventer korrigeringer der.
Etter OCR
Utdataene er en PDF som ser identisk ut, men som inneholder usynlig, valgbar tekst. Derfra er det et normalt dokument: søk, kopier, mat det til PDF til tekst verktøy for råordene, eller konverter det til et redigerbart format med PDF til Word.
En sjekkliste for nøyaktighet
- Rett opp siden før gjenkjennelse; skjeve skanninger leser bedre.
- Bruk omtrent 300 DPI - flere piksler hjelper bare opp til det punktet hvor støy begynner å gjøre vondt.
- Velg språket på siden, inkludert riktig skript.
- Søk etter tre kjente detaljer etterpå: en total, en dato og et navn.
- Sjekk utskriften, ikke bare søkeresultatet.
Språk og håndskrift
Gjenkjenning fungerer best på ren trykt tekst på et språk den støtter. Blandede språksider kan forvirre språkmodellen; kjøre separate pass hvis seksjonene er forskjellige. Håndskrift er den vanskelige saken - trykte etiketter rundt et håndskrevet notat kan gjenkjennes mens selve notatet savnes. Ikke behandle et OCR-resultat som en sertifisert transkripsjon av en håndskrevet post.
Hva skal man gjøre med teksten etterpå
Når skanningen har et tekstlag, kan den søkes, kopieres og indekseres, og den kan konverteres til Word eller trekkes ut som tekst. Behold originalskanningen ved siden av den søkbare versjonen hvis bildet er den juridiske posten. Personvern er den andre halvdelen av avgjørelsen: nettleserbasert gjenkjenning holder skanningen på enheten din, mens en opplastingsbasert tjeneste sender den til en server. Velg modellen som samsvarer med dokumentets følsomhet, ikke bare prisen.
Prøv det: gjøre en skanning søkbar – lokalt, gratis: skanningen forlater aldri enheten din, og den genererte PDF-filen er bygget på samme måte.