OCR ne işe yarar?
Taranmış bir sayfa aslında bir resimdir. Siz onu okuyabilirsiniz ama bilgisayar yalnızca noktalar görür: içinde arama yapamaz, bir cümleyi kopyalayamaz veya ekran okuyucuya sesli okutamazsınız. OCR (optik karakter tanıma), resimdeki harfleri bulur ve gerçek metne dönüştürür.
Aranabilir PDF seçeneğinde araç, sayfa görüntülerini olduğu gibi korur ve altlarına görünmez bir metin katmanı ekler. Belge aynı görünür, ancak artık Ctrl+F ile arama yapabilir, metni seçip kopyalayabilir ve bilgisayarınızın veya belge sisteminizin aramasıyla bulabilirsiniz. Düz metin (.txt) seçeneğinde ise yalnızca tanınan metni alırsınız; e-postaya veya belgeye yapıştırmaya hazırdır.
Diller
Tanıma, dili bildiğinde çok daha iyi çalışır. Belgede geçen tüm dilleri seçin (en fazla dört). Daha az dil, tanımayı daha hızlı ve daha doğru yapar. Kullanılabilir diller:
İngilizce, İspanyolca, Portekizce, Fransızca, Almanca, İtalyanca, Felemenkçe, İsveççe, Danca, Lehçe, Çekçe, Slovakça, Macarca, Romence, Yunanca, Rusça, Türkçe, Endonezce, Vietnamca, Tayca, Çince (Basitleştirilmiş), Çince (Geleneksel), Japonca ve Korece.
Daha iyi sonuç için seçenekler
- Eğri sayfaları düzelt (varsayılan olarak açık): hafif eğik taranan sayfalar düzeltilir. Bu, tanımayı iyileştirir ve belgenin daha derli toplu görünmesini sağlar.
- Tarayıcı gürültüsünü kaldır: kötü taramalardaki lekeleri ve kirleri tanımadan önce temizler.
- Zaten metin içeren sayfalar: Olduğu gibi bırak yalnızca metni olmayan sayfaları tanır; çoğu tarama için doğru seçimdir. OCR'ı yeniden yap eski veya hatalı metin katmanını değiştirir. Rasterleştir ve her şeye OCR uygula her sayfayı görüntüye çevirip yeniden tanır; mevcut metin bozuksa bunu kullanın.
İyi OCR sonucu nasıl alınır?
En önemli etken tarama kalitesidir. 300 DPI ile tarayın; normal metin için en az 200 DPI gerekir, küçük yazılar için daha fazlası lazımdır. Metin için siyah-beyaz veya gri tonlama yeterlidir. Telefonla çekilen fotoğraflar, sayfa düz, net ve eşit aydınlatılmışsa ve tam üstten çekilmişse işe yarar. Basılı metin çok güvenilir biçimde tanınır; el yazısı genellikle tanınmaz. Tablolar içeriğini korur, ancak çok sütunlu karmaşık düzenlerde metin dosyasındaki okuma sırası farklı çıkabilir.
Sunucuda işleme, sınırlar ve gizlilik
OCR çok fazla işlem gücü gerektirir; bu yüzden iki tanınmış açık kaynak araç olan OCRmyPDF ve Tesseract ile kendi sunucumuzda çalışır. Dosyalar şifreli HTTPS bağlantısıyla gönderilir, işlenir ve hemen ardından silinir; sonuçlar 15 dakika içinde kaldırılır. Bir belge en fazla 300 sayfa ve 100 MB olabilir. Büyük taramalar biraz zaman alır; sayfa ilerlemeyi ve kuyruktaki sırayı gösterir.
Bu sitedeki diğer araçlar da OCR kullanır: PDF'den Word'e ve PDF'den Excel'e taranmış sayfaları otomatik tanır, DjVu'dan PDF'ye ise sonucu aranabilir hale getirebilir. OCR sonrasında büyük bir taranmış PDF'i küçültmek için PDF Sıkıştır aracını kullanın.