Hoe maak ik een gescande PDF doorzoekbaar?
Een gescande PDF is eigenlijk een stapel foto’s. Jij kunt hem lezen, je computer niet: zoeken levert niets op, en als je tekst wilt selecteren, pak je de hele pagina als plaatje. OCR lost dat op door de letters op elke pagina te herkennen en ze op te slaan als tekst die de computer begrijpt.
Kies je bestand, vink de talen aan die erin staan en laat Doorzoekbare PDF als resultaat staan. De tool zet elke pagina om in een afbeelding met hoge resolutie, herkent de tekst en legt daarna een onzichtbare tekstlaag precies over de woorden op de originele pagina. Het resultaat opent in elke PDF-lezer. Het ziet er hetzelfde uit als je scan, maar zoeken, selecteren en kopiëren werken nu, en de zoekfunctie van je computer vindt het bestand op de inhoud.
Pagina’s die al echte tekst bevatten, zoals een getypt voorblad in een verder gescand bestand, blijven zoals ze zijn. Zo krijg je nooit dezelfde woorden twee keer.
Tip: Vink alleen de talen aan die echt in het document voorkomen. Elke extra taal maakt de herkenning iets trager en geeft het programma meer kansen om een verkeerd woord te gokken.
Hoe zet ik een gescande PDF om naar tekst?
Kies Tekstbestand (.txt) als resultaat. Je krijgt één platte tekst met de woorden van elke pagina, met een lege regel tussen de pagina’s. Handig als je uit een gescande brief van de Belastingdienst of de gemeente wilt citeren, een document wilt vertalen of cijfers uit een oud rapport naar een spreadsheet wilt overzetten.
Wil je een document dat je met opmaak en al kunt bewerken, zet de doorzoekbare PDF dan daarna om naar Word. Voor bestanden die nooit gescand zijn, zoals een PDF die je uit Word hebt opgeslagen, heb je geen OCR nodig: de tekst er direct uithalen is sneller en foutloos.
Hoe nauwkeurig is OCR bij scans en telefoonfoto’s?
Bij een schone, rechte scan van gedrukte tekst is de herkenning meestal erg goed. De nauwkeurigheid daalt als de invoer moeilijk leesbaar is, dus het helpt om te weten waar het programma moeite mee heeft:
- Lage resolutie. Scan op 300 DPI. Tekst die wazig wordt als je inzoomt, wordt gegokt.
- Scheve of gebogen pagina’s. Foto’s van een boekrug of een scheve telefoonfoto brengen de regelherkenning in de war. Zet de pagina eerst recht.
- Handschrift. Het programma is getraind op gedrukte letters. Nette blokletters lukken soms, aan elkaar geschreven handschrift meestal niet.
- Stempels, watermerken en gekleurde achtergronden. Tekst daarop is lastiger los te maken van de achtergrond.
- Tabellen en meerdere kolommen. De woorden worden gevonden, maar de leesvolgorde in een .txt-bestand kan tussen kolommen heen en weer springen.
Controleer namen, getallen en bedragen in het resultaat altijd voordat je erop vertrouwt.
Is het veilig om vertrouwelijke documenten online te OCR’en?
Hier wel, want het document wordt nooit geüpload. De meeste online OCR-diensten sturen je bestand naar een server, doen daar de herkenning en bewaren een tijd een kopie. Deze pagina downloadt het herkenningsprogramma en de taaldata naar je browser, en het hele werk gebeurt op je eigen telefoon of computer. Omdat we je bestanden niet uploaden, verwerken we geen persoonsgegevens uit je documenten.
Je kunt het controleren: open de ontwikkelaarstools van je browser op het tabblad Netwerk terwijl de OCR loopt. Je ziet de eerste keer de bestanden van het programma binnenkomen, maar je PDF wordt nergens naartoe gestuurd. Dat is belangrijk voor de papieren die mensen meestal scannen: een identiteitsbewijs, je belastingaangifte, bankafschriften, medische brieven en ondertekende contracten.
Welke talen kan ik laten herkennen?
Er zijn 19 talen beschikbaar (zie de lijst in de tool), en je kunt er meerdere aanvinken voor documenten waarin talen door elkaar staan, zoals een Nederlands huurcontract met Engelse clausules of een Engelse factuur aan een bedrijf in Antwerpen. De modellen zijn de nauwkeurige “best”-versies van de taaldata van Tesseract, verpakt in een compacter formaat, zodat ze snel downloaden en toch precies blijven.