K čemu slouží OCR
Naskenovaná stránka je obrázek. Můžete si ji přečíst, ale počítač vidí jen body: nedá se v ní vyhledávat, nelze z ní zkopírovat větu ani ji nechat přečíst odečítačem obrazovky. OCR (optické rozpoznávání znaků) najde v obrázku písmena a převede je na skutečný text.
U volby Prohledávatelné PDF nástroj ponechá obrázky stránek přesně tak, jak jsou, a pod ně přidá neviditelnou textovou vrstvu. Dokument vypadá stejně, ale můžete v něm vyhledávat pomocí Ctrl+F, vybírat a kopírovat text a najdete ho i ve vyhledávání v počítači nebo v systému pro správu dokumentů. U volby Čistý text (.txt) získáte jen rozpoznaný text, který můžete rovnou vložit do e-mailu nebo dokumentu.
Jazyky
Rozpoznávání funguje mnohem lépe, když zná jazyk. Vyberte všechny jazyky, které se v dokumentu vyskytují, nejvýše čtyři. S menším počtem jazyků je rozpoznávání rychlejší a přesnější. K dispozici jsou tyto jazyky:
angličtina, španělština, portugalština, francouzština, němčina, italština, nizozemština, švédština, dánština, polština, čeština, slovenština, maďarština, rumunština, řečtina, ruština, turečtina, indonéština, vietnamština, thajština, čínština (zjednodušená), čínština (tradiční), japonština a korejština.
Možnosti pro lepší výsledky
- Narovnat nakřivo naskenované stránky (ve výchozím nastavení zapnuto): stránky naskenované s mírným náklonem se narovnají. Zlepší to rozpoznávání a dokument bude vypadat úhledněji.
- Odstranit šum po skeneru: před rozpoznáváním vyčistí skvrnky a nečistoty ze špatných skenů.
- Stránky, které už obsahují text: Ponechat beze změny rozpozná pouze stránky bez textu, což je pro většinu skenů správná volba. Provést OCR znovu nahradí starou nebo špatnou textovou vrstvu. Rasterizovat a provést OCR všeho převede každou stránku na obrázek a rozpozná ji znovu; použijte to, když je stávající text poškozený.
Jak dosáhnout dobrého výsledku OCR
Nejdůležitější je kvalita skenu. Skenujte v rozlišení 300 dpi; 200 dpi je minimum pro běžný text a drobné písmo vyžaduje více. Pro text stačí černobílý režim nebo odstíny šedi. Fotografie z telefonu fungují, pokud je stránka rovná, ostrá a rovnoměrně osvětlená a fotí se kolmo shora. Tištěný text se rozpoznává velmi spolehlivě, rukopis obvykle ne. Tabulky si zachovají obsah, ale u složitých rozvržení s mnoha sloupci se může v textovém souboru změnit pořadí čtení.
Zpracování na serveru, limity a soukromí
OCR vyžaduje hodně výpočetního výkonu, proto běží na našem vlastním serveru s nástroji OCRmyPDF a Tesseract, dvěma známými open-source nástroji. Soubory se odesílají přes šifrované připojení HTTPS, zpracují se a ihned poté se smažou; výsledky se odstraní do 15 minut. Dokument může mít až 300 stránek a 100 MB. Velké skeny chvíli trvají, stránka zobrazuje průběh i vaše místo ve frontě.
OCR využívají i další nástroje na tomto webu: PDF do Wordu a PDF do Excelu rozpoznávají naskenované stránky automaticky a DjVu do PDF umí z výsledku vytvořit prohledávatelný dokument. Chcete-li po OCR zmenšit velké naskenované PDF, použijte nástroj Komprese PDF.