Ce face OCR
O pagină scanată este o imagine. O poți citi, dar pentru calculator sunt doar puncte: nu poți căuta în ea, nu poți copia o propoziție și nu o poate citi un cititor de ecran. OCR (recunoașterea optică a caracterelor) găsește literele din imagine și le transformă în text real.
Cu opțiunea PDF cu text căutabil, instrumentul păstrează imaginile paginilor exact așa cum sunt și adaugă dedesubt un strat de text invizibil. Documentul arată la fel, dar acum poți căuta în el cu Ctrl+F, poți selecta și copia text și îl poți găsi prin căutarea din computer sau din sistemul de documente. Cu Text simplu (.txt) primești doar textul recunoscut, gata de lipit într-un e-mail sau într-un document.
Limbi
Recunoașterea funcționează mult mai bine când știe limba documentului. Alege toate limbile care apar în document, maximum patru. Cu mai puține limbi, recunoașterea este mai rapidă și mai precisă. Limbile disponibile sunt:
engleză, spaniolă, portugheză, franceză, germană, italiană, olandeză, suedeză, daneză, poloneză, cehă, slovacă, maghiară, română, greacă, rusă, turcă, indoneziană, vietnameză, thailandeză, chineză (simplificată), chineză (tradițională), japoneză și coreeană.
Opțiuni pentru rezultate mai bune
- Îndreaptă paginile înclinate (activată implicit): paginile scanate puțin strâmb sunt îndreptate. Astfel recunoașterea se îmbunătățește, iar documentul arată mai îngrijit.
- Elimină zgomotul de scanare: curăță petele și murdăria din scanările de calitate slabă înainte de recunoaștere.
- Pagini care au deja text: Păstrează-le neschimbate recunoaște doar paginile fără text, ceea ce este potrivit pentru majoritatea scanărilor. Refă OCR înlocuiește un strat de text vechi sau greșit. Rasterizează și aplică OCR peste tot transformă fiecare pagină în imagine și o recunoaște din nou; folosește această opțiune când textul existent este deformat.
Cum obții un OCR bun
Calitatea scanării contează cel mai mult. Scanează la 300 DPI; 200 DPI este minimul pentru text obișnuit, iar textul mărunt necesită mai mult. Alb-negru sau tonuri de gri sunt suficiente pentru text. Fotografiile făcute cu telefonul funcționează dacă pagina este plată, clară și iluminată uniform, fotografiată direct de sus. Textul tipărit este recunoscut foarte bine; scrisul de mână, de obicei, nu. Tabelele își păstrează conținutul, dar machetele complexe, cu multe coloane, pot ieși în fișierul text cu o altă ordine de citire.
Procesare pe server, limite și confidențialitate
OCR necesită multă putere de calcul, așa că rulează pe propriul nostru server, cu OCRmyPDF și Tesseract, două instrumente open-source binecunoscute. Fișierele sunt trimise printr-o conexiune HTTPS criptată, procesate și șterse imediat după; rezultatele sunt eliminate în 15 minute. Un document poate avea până la 300 de pagini și 100 MB. Scanările mari durează mai mult; pagina arată progresul și locul tău în coadă.
Și alte instrumente de pe acest site folosesc OCR: PDF în Word și PDF în Excel recunosc automat paginile scanate, iar DjVu în PDF poate face rezultatul căutabil. Pentru a micșora un PDF scanat mare după OCR, folosește Comprimare PDF.