Fungsi OCR
Halaman hasil scan hanyalah gambar. Anda bisa membacanya, tetapi komputer hanya melihat titik-titik: Anda tidak bisa mencari kata di dalamnya, menyalin satu kalimat, atau meminta pembaca layar membacakannya. OCR (optical character recognition) menemukan huruf-huruf pada gambar dan mengubahnya menjadi teks sungguhan.
Dengan opsi PDF yang bisa dicari, alat ini mempertahankan gambar halaman persis seperti aslinya dan menambahkan lapisan teks tak terlihat di bawahnya. Tampilan dokumen tetap sama, tetapi sekarang Anda bisa mencarinya dengan Ctrl+F, memilih dan menyalin teks, serta menemukannya lewat pencarian di komputer atau sistem dokumen Anda. Dengan Teks biasa (.txt), Anda hanya mendapatkan teks hasil pengenalan, siap ditempel ke email atau dokumen.
Bahasa
Pengenalan teks jauh lebih akurat jika bahasanya diketahui. Pilih semua bahasa yang muncul di dokumen, maksimal empat. Semakin sedikit bahasa yang dipilih, semakin cepat dan akurat hasilnya. Bahasa yang tersedia:
Inggris, Spanyol, Portugis, Prancis, Jerman, Italia, Belanda, Swedia, Denmark, Polandia, Ceko, Slovakia, Hungaria, Rumania, Yunani, Rusia, Turki, Indonesia, Vietnam, Thai, Tionghoa (Sederhana), Tionghoa (Tradisional), Jepang, dan Korea.
Opsi untuk hasil yang lebih baik
- Luruskan halaman miring (aktif secara default): halaman yang di-scan dengan sudut sedikit miring akan diluruskan. Ini meningkatkan akurasi pengenalan dan membuat dokumen tampak lebih rapi.
- Hapus noise scanner: membersihkan bintik dan kotoran dari hasil scan berkualitas buruk sebelum pengenalan teks.
- Halaman yang sudah memiliki teks: Biarkan apa adanya hanya mengenali halaman tanpa teks, cocok untuk sebagian besar hasil scan. Ulangi OCR mengganti lapisan teks lama atau yang kurang baik. Rasterisasi dan OCR semuanya mengubah setiap halaman menjadi gambar lalu mengenalinya lagi; gunakan jika teks yang ada berantakan.
Tips agar hasil OCR bagus
Kualitas scan adalah faktor terpenting. Scan dengan resolusi 300 DPI; 200 DPI adalah batas minimum untuk teks biasa, dan teks kecil membutuhkan lebih tinggi. Hitam putih atau skala abu-abu sudah cukup untuk teks. Foto dari ponsel bisa dipakai jika halamannya rata, tajam, dan pencahayaannya merata, serta diambil tepat dari atas. Teks cetak dikenali dengan sangat andal; tulisan tangan biasanya tidak dikenali. Isi tabel tetap terbaca, tetapi tata letak rumit dengan banyak kolom mungkin menghasilkan urutan baca yang berbeda di file teks.
Pemrosesan di server, batasan, dan privasi
OCR membutuhkan banyak daya komputasi, jadi prosesnya berjalan di server kami sendiri dengan OCRmyPDF dan Tesseract, dua alat open source yang terkenal. File dikirim melalui koneksi HTTPS terenkripsi, diproses, lalu langsung dihapus; hasilnya dihapus dalam 15 menit. Satu dokumen bisa berisi hingga 300 halaman dan berukuran maksimal 100 MB. Hasil scan yang besar membutuhkan waktu; halaman ini menampilkan progres dan posisi Anda dalam antrean.
Alat lain di situs ini juga memakai OCR: PDF ke Word dan PDF ke Excel mengenali halaman hasil scan secara otomatis, dan DjVu ke PDF dapat membuat hasilnya bisa dicari. Untuk memperkecil PDF hasil scan yang besar setelah OCR, gunakan Kompres PDF.