Τι κάνει το OCR
Μια σαρωμένη σελίδα είναι μια εικόνα. Εσείς μπορείτε να τη διαβάσετε, αλλά ο υπολογιστής βλέπει μόνο κουκκίδες: δεν μπορείτε να την αναζητήσετε, να αντιγράψετε μια πρόταση ή να τη διαβάσει φωναχτά ένα πρόγραμμα ανάγνωσης οθόνης. Το OCR (οπτική αναγνώριση χαρακτήρων) εντοπίζει τα γράμματα στην εικόνα και τα μετατρέπει σε πραγματικό κείμενο.
Με την επιλογή Αναζητήσιμο PDF, το εργαλείο διατηρεί τις εικόνες των σελίδων ακριβώς όπως είναι και προσθέτει από κάτω ένα αόρατο επίπεδο κειμένου. Το έγγραφο φαίνεται ίδιο, αλλά πλέον μπορείτε να κάνετε αναζήτηση με Ctrl+F, να επιλέγετε και να αντιγράφετε κείμενο και να το βρίσκετε μέσω της αναζήτησης του υπολογιστή ή του συστήματος διαχείρισης εγγράφων σας. Με την επιλογή Απλό κείμενο (.txt), παίρνετε μόνο το κείμενο που αναγνωρίστηκε, έτοιμο για επικόλληση σε email ή έγγραφο.
Γλώσσες
Η αναγνώριση λειτουργεί πολύ καλύτερα όταν γνωρίζει τη γλώσσα. Επιλέξτε όλες τις γλώσσες που εμφανίζονται στο έγγραφο, έως τέσσερις. Όσο λιγότερες γλώσσες, τόσο ταχύτερη και ακριβέστερη η αναγνώριση. Οι διαθέσιμες γλώσσες είναι:
Αγγλικά, Ισπανικά, Πορτογαλικά, Γαλλικά, Γερμανικά, Ιταλικά, Ολλανδικά, Σουηδικά, Δανικά, Πολωνικά, Τσεχικά, Σλοβακικά, Ουγγρικά, Ρουμανικά, Ελληνικά, Ρωσικά, Τουρκικά, Ινδονησιακά, Βιετναμέζικα, Ταϊλανδικά, Κινεζικά (Απλοποιημένα), Κινεζικά (Παραδοσιακά), Ιαπωνικά και Κορεατικά.
Επιλογές για καλύτερα αποτελέσματα
- Ίσιωμα λοξών σελίδων (ενεργό από προεπιλογή): οι σελίδες που σαρώθηκαν με μικρή κλίση ισιώνουν. Έτσι βελτιώνεται η αναγνώριση και το έγγραφο δείχνει πιο προσεγμένο.
- Αφαίρεση θορύβου σαρωτή: καθαρίζει στίγματα και βρωμιά από κακές σαρώσεις πριν από την αναγνώριση.
- Σελίδες που έχουν ήδη κείμενο: η επιλογή Διατήρηση ως έχουν αναγνωρίζει μόνο τις σελίδες χωρίς κείμενο, κάτι που ταιριάζει στις περισσότερες σαρώσεις. Η επιλογή Επανάληψη OCR αντικαθιστά ένα παλιό ή κακό επίπεδο κειμένου. Η επιλογή Μετατροπή σε εικόνα και OCR σε όλα μετατρέπει κάθε σελίδα σε εικόνα και την αναγνωρίζει ξανά· χρησιμοποιήστε την όταν το υπάρχον κείμενο είναι παραμορφωμένο.
Πώς να έχετε καλό OCR
Η ποιότητα της σάρωσης είναι το σημαντικότερο. Σαρώστε στα 300 DPI· τα 200 DPI είναι το ελάχιστο για κανονικό κείμενο, ενώ τα μικρά γράμματα χρειάζονται περισσότερα. Για κείμενο αρκούν ασπρόμαυρο ή αποχρώσεις του γκρι. Οι φωτογραφίες από κινητό δουλεύουν αν η σελίδα είναι επίπεδη, καθαρή και ομοιόμορφα φωτισμένη και έχει φωτογραφηθεί από ακριβώς πάνω. Το τυπωμένο κείμενο αναγνωρίζεται πολύ αξιόπιστα· το χειρόγραφο συνήθως δεν αναγνωρίζεται. Οι πίνακες διατηρούν το περιεχόμενό τους, αλλά σύνθετες διατάξεις με πολλές στήλες μπορεί να βγουν με διαφορετική σειρά ανάγνωσης στο αρχείο κειμένου.
Επεξεργασία στον διακομιστή, όρια και απόρρητο
Το OCR απαιτεί μεγάλη υπολογιστική ισχύ, γι' αυτό εκτελείται στον δικό μας διακομιστή με τα OCRmyPDF και Tesseract, δύο γνωστά εργαλεία ανοιχτού κώδικα. Τα αρχεία αποστέλλονται μέσω κρυπτογραφημένης σύνδεσης HTTPS, υποβάλλονται σε επεξεργασία και διαγράφονται αμέσως μετά· τα αποτελέσματα αφαιρούνται μέσα σε 15 λεπτά. Ένα έγγραφο μπορεί να έχει έως 300 σελίδες και 100 MB. Οι μεγάλες σαρώσεις χρειάζονται λίγο χρόνο· η σελίδα εμφανίζει την πρόοδο και τη θέση σας στην ουρά.
Και άλλα εργαλεία του ιστότοπου χρησιμοποιούν OCR: τα PDF σε Word και PDF σε Excel αναγνωρίζουν αυτόματα τις σαρωμένες σελίδες και το DjVu σε PDF μπορεί να κάνει το αποτέλεσμα αναζητήσιμο. Για να μικρύνετε ένα μεγάλο σαρωμένο PDF μετά το OCR, χρησιμοποιήστε τη Συμπίεση PDF.