OCR PDF

Извличайте търсаем текст от сканирани документи.

Ръководство и ЧЗВ

За този инструмент

Превърнете сканираните PDF и документи само с изображения във файлове с възможност за търсене, удобни за копиране - разпознавайте текст във вашия браузър с Tesseract.js, без да качвате страници в облачна ферма OCR. Изберете езици, стартирайте разпознаване локално и изтеглете PDF със скрит текстов слой, подравнен спрямо видимото сканиране. Безплатно, без акаунт. От съществено значение за архивни договори, държавни формуляри и изследвания PDF, където имате нужда от Ctrl+F, копиране-поставяне или по-късен пропуск PDF-to-Word.

What you get
  • Изход: PDF с невидим текстов слой върху всяка страница - търсенето и копирането работят в Acrobat, Preview и браузъри.
  • Двигател: Tesseract LSTM работи локално чрез WebAssembly - няма OCR API на трета страна по подразбиране.
  • Езици: многоезични пакети, комбинирани с + - точността зависи от данните за обучение за всеки скрипт.
  • Визуални изображения: външният вид на страницата остава сканирането; OCR не пренабира или почиства автоматично изкривените полета.
  • Почерк: курсивът и подписите обикновено се провалят или частично - печатният печат работи най-добре.
  • Ограничения: големи сканирания при 300 dpi отнемат време на по-стари лаптопи; много бледият текст или силният шум намаляват точността.
Кога да го използвате
  • Правене на наследен хартиен архив достъпен за търсене без изпращане на томове до външен доставчик на OCR.
  • Подготвяне на сканирани договори за PDF to Word, когато не е наличен роден цифров текст.
  • Разрешаване на копиране и поставяне от държавни PDF, които технически са изображения.
  • Индексиране на пакети от срещи, сканирани от разпечатки за вътрешни бази знания.
Why JoyPDF for this

Облачните услуги OCR качват всяка страница – включително подписи, номера на сметки и класифицирани параграфи – за разпознаване на текст от разстояние. JoyPDF OCR работи изцяло във вашия браузър: пикселите и разпознатите низове остават на устройството по време на обработката. Избирате езици изрично, вместо да гадае сървър. Това отговаря на GDPR, правна привилегия и съседни работни потоци с въздушна междина, където изходящото прехвърляне на документи е забранено.

Как да го използвате
  1. 1Добавете вашия сканиран PDFПуснете файла или го изберете от вашето устройство. Страниците се зареждат локално - няма опашка OCR от страната на сървъра.
  2. 2Изберете OCR езициИзберете езици за разпознаване - напр. Английски, полски или комбиниран eng+pol за двуезични сканирания.
  3. 3Стартирайте разпознаванеJoyPDF обработва всяка страница на вашето устройство; напредъкът се показва на страница, тъй като OCR е CPU-интензивен.
  4. 4Изтеглете PDF с възможност за търсенеЗапазете файла OCR'd - визуално подобен на сканирания, но с избираем и търсещ текст отдолу.

Често задавани въпроси

Кои езици поддържа JoyPDF OCR?
JoyPDF използва избрани от вас езикови пакети Tesseract - общи латински скриптове (английски, полски, немски, френски, испански и др.) и много други в зависимост от наличните обучени данни. Комбинирайте езици с + за двуезични документи, напр. pol+eng за полски основен текст със заглавия на английски. Грешен избор на език води до разпознаване на безсмислици - съпоставете документа, а не локала на потребителския интерфейс. Редки скриптове или смесен вертикален текст може да се нуждаят от специализиран работен плот OCR, ако резултатите от JoyPDF са лоши. Изтеглените езикови данни се зареждат в сесията на браузъра; не се изпраща обратно с вашия PDF.
Колко точен е браузърът OCR в сравнение с Adobe?
Чистите офис сканирания при 200-300 dpi с хоризонтално въведен текст често достигат висока точност - достатъчно добра за търсене и грубо копиране и поставяне. Изкривени телефонни снимки, печати върху текст, таблици с правила и бележки под линия намаляват прецизността във всяка машина. JoyPDF няма да победи човек, който пренаписва критична клауза - винаги проверявайте на място правни и медицински низове. Облакът OCR на Adobe може да надмине при трудни оформления, но изисква качване. За вътрешна възможност за търсене в групови архиви, местните компромиси OCR обикновено печелят по отношение на поверителността.
OCR променя ли външния вид на моя PDF?
Сканираното изображение остава видимият слой - OCR добавя невидим текстов слой отдолу за търсене и избор. Не трябва да виждате размяна на шрифтове на самата страница, освен ако вашият зрител не осветява текста OCR. Размерът на файла може да нарасне умерено от вградените текстови потоци. Ако имате нужда от чист пренабран документ, OCR, тогава PDF to Word работи по-добре, отколкото да очаквате OCR сам да замести сканирането визуално. Редактирането след OCR изисква Redact PDF - OCR не премахва чувствителните пиксели.
Моят сканиран PDF качен ли е през OCR?
Не. Разпознаването се изпълнява локално с Tesseract.js в WebAssembly. Изображенията на страниците се обработват в паметта на вашето устройство; Сървърите JoyPDF не получават байтове на документи за OCR. Файловете с езикови модели се изтеглят от CDN като всяка зависимост от WASM - не съдържанието на вашия документ. Проверете с мрежови инструменти, ако съответствието изисква доказателство. Затворете раздела след експортиране на споделени машини, защото изходът OCR може да съдържа извлечен PII в текстовия слой. След изтегляне на споделен компютър затворете раздела и изпразнете папката за изтегляния според политиката за сигурност.
Мога ли да OCR в PDF, след което да го конвертирам в Word?
Да - това е обикновен тръбопровод. На сканираните PDF липсва структура за PDF-to-Word, докато OCR не добави текст. Стартирайте първо OCR PDF за текст с възможност за търсене, след това PDF to Word за редактируеми абзаци - или активирайте опциите OCR-first в PDF to Word, когато се предлага. Double-OCR рядко помага. За формуляри с квадратчета за отметка очаквайте ръчно почистване в Word независимо. Ако има значение само търсенето, само OCR е достатъчно без преобразуване на Word. Проверете раздела Мрежа в инструментите за разработчици на браузъра: зареждат се само ресурси на приложението, не вашият документ.
Защо OCR е бавен на моя компютър?
OCR е CPU-тежък: всяка страница се анализира при разделителна способност на изображението, която сте вградили в сканирането. Книга с 300 dpi и 200 страници може да отнеме много минути на по-стар лаптоп - нормално, не е грешка. Затворете другите раздели, за да освободите RAM. Разделете отделно главите PDF и OCR, ако разделът се срине. Обратните извиквания на напредъка показват статус на страница. По-бързият хардуер помага повече от повторния опит. Пакетът за една нощ на настолен компютър бие борбата с браузър на телефон за огромни архиви.

About · Blog · Privacy