无需上传扫描件即可搜索扫描的 PDF
扫描一页，您的计算机就会存储它的照片。这些文字在屏幕上看起来很正确，但对于软件来说，它们只是像素——Ctrl+F 找不到任何内容，复制粘贴不会给您带来任何帮助，而且任何地方都没有索引知道文档内容。 光学字符识别 （光学字符识别）正是解决了这个问题：它查看形状，识别字母和单词，并在图像下方写入真实的文本层。
为什么这在实践中很重要
- 找到任何东西。 Ctrl+F 扫描 200 页的扫描合同开始起作用。
- 重用这些词。 报价、地址、条款编号——可选择和复制，无需重新输入。
- 可访问性和索引。 屏幕阅读器和搜索引擎可以突然“阅读”文档。
无人提及的收获
大多数在线 OCR 工具通过将文档上传到服务器来读取文档，这对于扫描您的护照、医疗记录或客户合同来说是一件奇怪的事情。我们的 光学字符识别工具 采取另一条路径：识别运行 在你的浏览器中 （行业标准的 Tesseract 引擎，编译为 WebAssembly），可搜索的 PDF 也在本地组装。扫描永远不会离开您的设备。
获得最佳准确度
- 先拉直。 倾斜两度的页面会降低每行的准确性。运行 相差校正 如果扫描件看起来歪斜，请在 OCR 之前进行。
- 以 300 DPI 扫描。 发动机的细节足够多；更多只会减慢速度。
- 匹配语言。 在 OCR 工具中选择正确的语言——识别词典有所不同，法语页面上的“英语”会产生自信的废话。
- 注意字体。 打字机的面孔和笔迹确实很难；期待那里的修正。
光学字符识别后
输出是一个 PDF，看起来相同，但带有不可见的可选择文本。从那里它是一个普通的文档：搜索、复制、将其提供给 PDF 转文本 用于原始单词的工具，或将其转换为可编辑格式 PDF 到 Word.
准确性检查表
- 识别前将页面拉直；校正扫描读取效果更好。
- 使用大约 300 DPI——更多的像素只会导致噪点开始产生影响。
- 选择页面上的语言，包括正确的脚本。
- 随后搜索三个已知详细信息：总计、日期和姓名。
- 检查打印输出，而不仅仅是搜索结果。
语言和笔迹
识别在其支持的语言的干净打印文本上效果最佳。混合语言页面会混淆语言模型；如果各部分不同，则运行单独的遍。手写是一个困难的情况——手写便条周围的印刷标签可能会被识别，但便条本身却被遗漏。请勿将 OCR 结果视为手写记录的经过认证的转录。
之后如何处理文本
一旦扫描件具有文本图层，就可以对其进行搜索、复制和索引，并且可以将其转换为 Word 或提取为文本。如果图像是合法记录，请将原始扫描件与可搜索版本放在一起。隐私是决策的另一半：基于浏览器的识别将扫描保留在您的设备上，而基于上传的服务将其发送到服务器。选择与文档敏感度相匹配的型号，而不仅仅是价格。
尝试一下： 使扫描可搜索 — 本地免费：扫描永远不会离开您的设备，生成的 PDF 也以相同的方式构建。