Сделайте отсканированный PDF-файл доступным для поиска без загрузки скана

Отсканируйте страницу, и ваш компьютер сохранит ее фотографию. Слова выглядят прямо на экране, но для программного обеспечения это всего лишь пиксели: Ctrl+F ничего не находит, копипаста ничего не дает, и ни один индекс нигде не знает, что говорится в документе. оптическое распознавание символов (оптическое распознавание символов) исправляет именно это: он смотрит на формы, распознает буквы и слова и записывает настоящий текстовый слой под изображением.

Почему это важно на практике

• Найти что-нибудь. Ctrl+F для отсканированного контракта на 200 страниц начинает работать.
• Повторное использование слов. Цитаты, адреса, номера статей — можно выбирать и копировать, а не перепечатывать.
• Доступность и индексация. Программы чтения с экрана и поисковые системы могут внезапно «прочитать» документ.

Загвоздка, о которой никто не упоминает

Большинство онлайн-инструментов OCR считывают ваш документ, загружая его на свои серверы, что странно по сравнению со сканированием вашего паспорта, медицинской карты или клиентского контракта. Наш инструмент оптического распознавания символов идет другим путем: признание проходит внутри вашего браузера (стандартный движок Tesseract, скомпилированный в WebAssembly), а PDF-файл с возможностью поиска также собирается локально. Сканирование никогда не покидает ваше устройство.

Получение максимальной точности

1. Сначала выпрямитесь. Страница, наклоненная на два градуса, требует точности каждой строки. Беги Дескью перед распознаванием текста, если скан выглядит криво.
2. Сканируйте с разрешением 300 DPI. Достаточно деталей для двигателя; больше только замедляет его.
3. Сопоставьте язык. Выберите правильный язык в инструменте OCR — словари распознавания различаются, и «английский» на французской странице выдает уверенную ерунду.
4. Обратите внимание на шрифты. Лица и почерк пишущей машинки действительно трудны; ждите там исправлений.

После оптического распознавания символов

Результатом является PDF-файл, который выглядит идентично, но содержит невидимый, выбираемый текст. Отсюда обычный документ: найди, скопируй, скинь на PDF в текст инструмент для необработанных слов или преобразуйте его в редактируемый формат с помощью PDF в Word.

Контрольный список точности

1. Распрямите страницу перед распознаванием; исправленные сканы читаются лучше.
2. Используйте разрешение около 300 DPI — большее количество пикселей помогает только до того момента, пока шум не начинает мешать.
3. Выберите язык на странице, включая правильный алфавит.
4. После этого найдите три известные детали: сумму, дату и имя.
5. Проверьте распечатку, а не только результат поиска.

Языки и почерк

Распознавание лучше всего работает с чистым печатным текстом на поддерживаемом языке. Страницы на разных языках могут сбить с толку языковую модель; запускайте отдельные проходы, если разделы различны. Рукописный ввод — это сложный случай: напечатанные этикетки вокруг рукописной заметки могут быть распознаны, а сама заметка пропущена. Не рассматривайте результат OCR как сертифицированную транскрипцию рукописной записи.

Что делать с текстом потом?

Если в скане есть текстовый слой, его можно искать, копировать и индексировать, а также конвертировать в Word или извлекать как текст. Сохраните исходный скан рядом с доступной для поиска версией, если изображение является официальной записью. Конфиденциальность — это вторая половина решения: распознавание на основе браузера сохраняет сканирование на вашем устройстве, а служба загрузки отправляет его на сервер. Выбирайте модель, соответствующую чувствительности документа, а не только цене.

Попробуйте: сделать скан доступным для поиска — локально, бесплатно: сканирование никогда не покидает ваше устройство, и сгенерированный PDF-файл создается таким же образом.