Jak zrobić przeszukiwalny PDF ze skanu?
Zeskanowany PDF to w gruncie rzeczy stos zdjęć. Ty możesz go przeczytać, ale komputer nie: wyszukiwanie niczego nie znajduje, a zaznaczanie tekstu łapie całą stronę jako obrazek. OCR to naprawia, rozpoznając litery na każdej stronie i zapisując je jako tekst zrozumiały dla komputera.
Wybierz plik, zaznacz języki, w których jest napisany, i zostaw przeszukiwalny PDF jako wynik. Narzędzie renderuje każdą stronę w wysokiej rozdzielczości, rozpoznaje tekst, a potem kładzie niewidoczną warstwę tekstową dokładnie na słowach oryginalnej strony. Wynik otworzysz w każdym czytniku PDF. Wygląda identycznie jak skan, ale wyszukiwanie, zaznaczanie i kopiowanie już działają, a wyszukiwarka plików na komputerze znajdzie go po treści.
Strony, które już zawierają prawdziwy tekst, na przykład wpisana na komputerze strona tytułowa w skądinąd zeskanowanym pliku, zostają bez zmian, więc te same słowa nigdy nie pojawią się dwa razy.
Wskazówka: Zaznaczaj tylko języki, które naprawdę są w dokumencie. Każdy dodatkowy język trochę spowalnia rozpoznawanie i daje silnikowi więcej okazji do pomyłki.
Jak zamienić zeskanowany PDF na tekst?
Wybierz plik tekstowy (.txt) jako wynik. Dostaniesz jeden zwykły plik tekstowy ze słowami ze wszystkich stron, z pustą linią między stronami. To wygodne, gdy chcesz zacytować zeskanowane pismo z urzędu, przetłumaczyć dokument albo przenieść liczby ze starego sprawozdania do arkusza.
Jeśli potrzebujesz dokumentu do edycji z zachowanym układem, następnym krokiem jest zamiana przeszukiwalnego PDF na Word. Przy plikach, które nigdy nie były skanowane, na przykład PDF wyeksportowanym z Worda, OCR w ogóle nie jest potrzebny: bezpośrednie wyciągnięcie tekstu jest szybsze i dokładne.
Jak dokładny jest OCR na skanach i zdjęciach z telefonu?
Przy czystym, prostym skanie drukowanego tekstu rozpoznawanie jest zwykle bardzo dobre. Dokładność spada, gdy materiał jest trudny do odczytania, więc warto wiedzieć, z czym silnik sobie nie radzi:
- Niska rozdzielczość. Skanuj w 300 DPI. Tekst, który po powiększeniu jest rozmyty, będzie zgadywany.
- Przekrzywione lub wygięte strony. Zdjęcia grzbietu książki albo krzywe ujęcia telefonem mylą wykrywanie linii. Najpierw wyprostuj stronę.
- Pismo odręczne. Silnik jest uczony na druku. Staranne drukowane litery mogą zadziałać, pismo ciągłe raczej nie.
- Pieczątki, znaki wodne i kolorowe tło. Tekst na nich trudniej oddzielić od tła.
- Tabele i kilka kolumn. Słowa zostaną znalezione, ale kolejność czytania w pliku .txt może przeskakiwać między kolumnami.
Zawsze sprawdź w wyniku nazwiska, numery i kwoty, zanim im zaufasz, szczególnie numer PESEL czy numer konta.
Czy OCR poufnych dokumentów online jest bezpieczny?
U nas tak, bo dokument nigdy nie jest wysyłany. Większość serwisów OCR wysyła plik na serwer, tam go rozpoznaje i przez jakiś czas przechowuje kopię. Ta strona zamiast tego pobiera silnik rozpoznawania i dane językowe do Twojej przeglądarki, a całe zadanie wykonuje się na Twoim telefonie lub komputerze.
Możesz to sprawdzić: otwórz narzędzia deweloperskie przeglądarki na karcie Sieć podczas OCR. Za pierwszym razem zobaczysz pobieranie plików silnika, ale Twój PDF nigdzie nie wychodzi. Ma to znaczenie przy dokumentach, które ludzie zwykle skanują: dowodach osobistych, zeznaniach PIT, wyciągach bankowych, wynikach badań i podpisanych umowach. Ponieważ nie wysyłamy Twoich plików, nie przetwarzamy też zawartych w nich danych osobowych.
Jakie języki mogę rozpoznawać?
Dostępnych jest dziewiętnaście języków (lista w narzędziu), a przy dokumentach mieszanych możesz zaznaczyć kilka, na przykład polską umowę z angielskimi klauzulami albo angielską fakturę wystawioną dla firmy z Krakowa. Modele to dokładne wersje „best” danych językowych Tesseracta, spakowane w mniejszym formacie całkowitoliczbowym, więc szybko się pobierają i zachowują precyzję.