Hvad OCR gør
En scannet side er et billede. Du kan læse den, men en computer ser kun prikker: du kan ikke søge i den, kopiere en sætning fra den eller lade en skærmlæser læse den højt. OCR (optisk tegngenkendelse) finder bogstaverne i billedet og omdanner dem til rigtig tekst.
Med Søgbar PDF beholder værktøjet sidebillederne helt uændrede og lægger et usynligt tekstlag under dem. Dokumentet ser ud, som det plejer, men nu kan du søge i det med Ctrl+F, markere og kopiere tekst og finde det via computerens eller dokumentsystemets søgning. Med Ren tekst (.txt) får du kun den genkendte tekst, klar til at blive indsat i en e-mail eller et dokument.
Sprog
Genkendelsen fungerer meget bedre, når den kender sproget. Vælg alle sprog, der forekommer i dokumentet, op til fire. Færre sprog giver hurtigere og mere præcis genkendelse. Følgende sprog er tilgængelige:
Engelsk, spansk, portugisisk, fransk, tysk, italiensk, hollandsk, svensk, dansk, polsk, tjekkisk, slovakisk, ungarsk, rumænsk, græsk, russisk, tyrkisk, indonesisk, vietnamesisk, thai, kinesisk (forenklet), kinesisk (traditionelt), japansk og koreansk.
Indstillinger for et bedre resultat
- Ret skæve sider op (slået til som standard): sider, der er scannet en smule skævt, drejes lige. Det forbedrer genkendelsen og får dokumentet til at se pænere ud.
- Fjern scannerstøj: renser pletter og snavs fra dårlige scanninger før genkendelsen.
- Sider, der allerede har tekst: Behold dem som de er genkender kun sider uden tekst, hvilket passer til de fleste scanninger. Kør OCR igen erstatter et gammelt eller dårligt tekstlag. Rasteriser og kør OCR på alt gør hver side til et billede og genkender den påny; brug det, hvis den eksisterende tekst er forvansket.
Sådan får du et godt OCR-resultat
Scanningens kvalitet betyder mest. Scan med 300 DPI; 200 DPI er minimum for almindelig tekst, og småt trykt tekst kræver mere. Sort/hvid eller gråtoner er nok til tekst. Fotos fra en mobil fungerer, hvis siden er flad, skarp og jævnt belyst og fotograferet lige ovenfra. Trykt tekst genkendes meget pålideligt; håndskrift genkendes som regel ikke. Tabeller bevarer deres indhold, men komplekse layouts med mange spalter kan komme ud i en anden læserækkefølge i tekstfilen.
Behandling på server, grænser og privatliv
OCR kræver meget regnekraft, så det kører på vores egen server med OCRmyPDF og Tesseract, to velkendte open source-værktøjer. Filer sendes via en krypteret HTTPS-forbindelse, behandles og slettes umiddelbart efter; resultater fjernes inden for 15 minutter. Et dokument kan have op til 300 sider og 100 MB. Store scanninger tager et stykke tid; siden viser fremdriften og din plads i køen.
Andre værktøjer på siden bruger også OCR: PDF til Word og PDF til Excel genkender automatisk scannede sider, og DjVu til PDF kan gøre resultatet søgbart. Hvis du vil gøre en stor scannet PDF mindre efter OCR, kan du bruge Komprimer PDF.