Umożliwia przeszukiwanie zeskanowanego pliku PDF bez przesyłania skanu
Zeskanuj stronę, a Twój komputer zapisze jej zdjęcie. Słowa wyglądają bezpośrednio na ekranie, ale dla oprogramowania są to tylko piksele — Ctrl+F nic nie znajduje, kopiowanie i wklejanie nic nie daje, a żaden indeks nie wie, co mówi dokument. OCR (optyczne rozpoznawanie znaków) naprawia dokładnie to: przygląda się kształtom, rozpoznaje litery i słowa oraz zapisuje pod obrazem warstwę prawdziwego tekstu.
Dlaczego ma to znaczenie w praktyce
- Znalezienie czegokolwiek. Ctrl+F w przypadku 200-stronicowej zeskanowanej umowy zaczyna działać.
- Ponowne użycie słów. Cytaty, adresy, numery klauzul — można je wybierać i kopiować, a nie przepisywać.
- Dostępność i indeksowanie. Czytniki ekranu i wyszukiwarki mogą nagle „odczytać” dokument.
Haczyk, o którym nikt nie wspomina
Większość internetowych narzędzi OCR odczytuje Twój dokument, przesyłając go na swoje serwery – co jest dziwne w przypadku skanu paszportu, dokumentacji medycznej lub umowy z klientem. Nasz Narzędzie OCR podąża inną drogą: biegnie rozpoznanie w Twojej przeglądarce (standardowy w branży silnik Tesseract, skompilowany do WebAssembly), a przeszukiwalny plik PDF również jest montowany lokalnie. Skan nigdy nie opuszcza Twojego urządzenia.
Uzyskanie najlepszej dokładności
- Najpierw wyprostuj. Strona przechylona o dwa stopnie kosztuje dokładność w każdym wierszu. Biegnij Przekrzywienie przed OCR, jeśli skan wygląda na krzywy.
- Skanuj w rozdzielczości 300 DPI. Wystarczająco dużo szczegółów dla silnika; więcej, tylko go spowalnia.
- Dopasuj język. Wybierz odpowiedni język w narzędziu OCR — słowniki rozpoznawania różnią się, a „angielski” na stronie francuskiej generuje pewne bzdury.
- Pamiętaj o czcionkach. Twarze maszyn do pisania i charakter pisma są naprawdę trudne; spodziewać się tam poprawek.
Po OCR
Wynikiem jest plik PDF, który wygląda identycznie, ale zawiera niewidoczny, możliwy do zaznaczenia tekst. Stamtąd jest to normalny dokument: wyszukaj, skopiuj, prześlij go do PDF na tekst narzędzie do surowych słów lub przekonwertuj je na format edytowalny za pomocą PDF do Worda.
Lista kontrolna dokładności
- Wyprostuj stronę przed rozpoznaniem; przekrzywione skany czytają się lepiej.
- Użyj około 300 DPI — więcej pikseli pomaga tylko do momentu, w którym szum zaczyna boleć.
- Wybierz język strony, w tym odpowiedni skrypt.
- Następnie wyszukaj trzy znane szczegóły: sumę, datę i imię.
- Sprawdź wydruk, a nie tylko wynik wyszukiwania.
Języki i charakter pisma
Rozpoznawanie działa najlepiej w przypadku czystego, wydrukowanego tekstu w obsługiwanym języku. Strony w różnych językach mogą mylić model językowy; wykonaj osobne przebiegi, jeśli sekcje są różne. Pismo ręczne to najtrudniejsza sprawa — wydrukowane etykiety wokół odręcznej notatki mogą zostać rozpoznane, choć sama notatka może zostać pominięta. Nie traktuj wyniku OCR jako poświadczonej transkrypcji odręcznego zapisu.
Co później zrobić z tekstem
Gdy skan ma warstwę tekstową, można go przeszukiwać, kopiować i indeksować, a także konwertować do formatu Word lub wyodrębniać jako tekst. Jeśli obraz stanowi dokument prawny, zachowaj oryginalny skan wraz z wersją, którą można przeszukiwać. Prywatność to druga połowa decyzji: rozpoznawanie oparte na przeglądarce utrzymuje skan na Twoim urządzeniu, podczas gdy usługa oparta na przesyłaniu wysyła go na serwer. Wybierz model pasujący do wrażliwości dokumentu, a nie tylko ceny.
Wypróbuj: umożliwienie przeszukiwania skanu — lokalnie, za darmo: skan nigdy nie opuszcza Twojego urządzenia, a wygenerowany plik PDF jest budowany w ten sam sposób.