Зробіть сканований PDF доступним для пошуку, не завантажуючи скан

Відскануйте сторінку, і ваш комп’ютер збереже її фотографію. На екрані слова виглядають правильно, але для програмного забезпечення вони лише пікселі — Ctrl+F нічого не знаходить, копіювати та вставляти нічого не дає, і жоден індекс не знає, що написано в документі. OCR (оптичне розпізнавання символів) виправляє саме це: він дивиться на фігури, розпізнає літери та слова та пише справжній текстовий шар під зображенням.

Чому це важливо на практиці

• Знайти будь-що. Ctrl+F на 200-сторінковому відсканованому контракті починає працювати.
• Повторне використання слів. Цитати, адреси, номери пунктів — можна вибирати та копіювати замість повторного друку.
• Доступність та індексація. Програми зчитування екрана та пошукові системи можуть раптово «прочитати» документ.

Про улов ніхто не згадує

Більшість онлайн-інструментів OCR зчитують ваш документ, завантажуючи його на свої сервери — що дивно робити зі сканованим паспортом, медичною карткою чи клієнтським контрактом. наш Інструмент OCR йде іншим шляхом: біжить розпізнавання у вашому браузері (стандартний механізм Tesseract, скомпільований у WebAssembly), а PDF-файл із можливістю пошуку також збирається локально. Сканування ніколи не залишає ваш пристрій.

Отримання найкращої точності

1. Спочатку вирівняйте. Сторінка, нахилена на два градуси, вимагає точності на кожному рядку. бігти Вирівняти перекіс перед оптичним розпізнаванням символів, якщо сканування виглядає криво.
2. Сканування на 300 DPI. Досить деталей для двигуна; більше лише сповільнює його.
3. Установіть відповідність між мовою. Виберіть правильну мову в інструменті OCR — словники розпізнавання відрізняються, а «англійська» на сторінці французькою створює впевнену нісенітницю.
4. Зверніть увагу на шрифти. Обличчя друкарської машинки та почерк справді тверді; очікуйте там виправлень.

Після OCR

На виході буде PDF-файл, який виглядає ідентично, але містить невидимий текст, який можна вибрати. Далі це звичайний документ: знайдіть, скопіюйте, передайте його в PDF в текст для необроблених слів або конвертуйте його у формат, який можна редагувати за допомогою PDF в Word.

Контрольний список точності

1. Вирівняйте сторінку перед розпізнаванням; виправлені скани читаються краще.
2. Використовуйте приблизно 300 DPI — більше пікселів допомагає лише до моменту, коли шум починає шкодити.
3. Виберіть мову на сторінці, включаючи правильний сценарій.
4. Потім шукайте три відомі деталі: загальну суму, дату та ім’я.
5. Перевіряйте друковані виводи, а не лише результати пошуку.

Мови та почерк

Розпізнавання найкраще працює з чистим друкованим текстом мовою, яку він підтримує. Змішані мовні сторінки можуть заплутати мовну модель; виконувати окремі проходи, якщо секції різні. Важкий випадок — це рукописний текст — друковані мітки навколо рукописної нотатки можна розпізнати, а саму нотатку пропустити. Не сприймайте результат OCR як завірену транскрипцію рукописного запису.

Що робити з текстом потім

Щойно відскановане зображення має текстовий шар, його можна шукати, копіювати та індексувати, а також конвертувати у Word або витягувати як текст. Зберігайте оригінал відсканованої копії разом із версією з можливістю пошуку, якщо зображення є офіційним документом. Конфіденційність — це інша половина рішення: розпізнавання на основі браузера зберігає відскановані дані на вашому пристрої, тоді як служба на основі завантаження надсилає їх на сервер. Виберіть модель, яка відповідає конфіденційності документа, а не тільки ціні.

Спробуйте: зробити сканування доступним для пошуку — локально, безкоштовно: сканування ніколи не залишає ваш пристрій, а згенерований PDF-файл створюється таким же чином.