OCR PDF
Εξάγετε αναζητήσιμο κείμενο από σαρωμένα έγγραφα.
Οδηγός και FAQ
Σχετικά με αυτό το εργαλείο
Μετατρέψτε τα σαρωμένα PDF και έγγραφα μόνο με εικόνα σε αρχεία με δυνατότητα αναζήτησης, φιλικά προς την αντιγραφή - αναγνωρίστε το κείμενο μέσα στο πρόγραμμα περιήγησης με το Tesseract.js, χωρίς να ανεβάσετε σελίδες σε ένα φάρμα σύννεφο OCR. Επιλέξτε γλώσσες, εκτελέστε την αναγνώριση τοπικά και πραγματοποιήστε λήψη ενός PDF με ένα κρυφό επίπεδο κειμένου ευθυγραμμισμένο με την ορατή σάρωση. Δωρεάν, χωρίς λογαριασμό. Απαραίτητο για αρχειακές συμβάσεις, κρατικά έντυπα και ερευνητικά PDF όπου χρειάζεστε Ctrl+F, copy-paste ή μεταγενέστερο πάσο PDF-to-Word.
What you get
- Έξοδος: PDF με ένα αόρατο επίπεδο κειμένου σε κάθε σελίδα - εργασία αναζήτησης και αντιγραφής σε Acrobat, Προεπισκόπηση και προγράμματα περιήγησης.
- Κινητήρας: Tesseract LSTM που λειτουργεί τοπικά μέσω WebAssembly - χωρίς OCR API τρίτου κατασκευαστή από προεπιλογή.
- Γλώσσες: πακέτα πολλών γλωσσών σε συνδυασμό με την ακρίβεια + - εξαρτάται από τα δεδομένα εκπαίδευσης για κάθε σενάριο.
- Οπτικά: η εμφάνιση της σελίδας παραμένει στη σάρωση. Το OCR δεν επαναρυθμίζει ούτε καθαρίζει αυτόματα τα λοξά περιθώρια.
- Χειρόγραφο: η γραφή και οι υπογραφές συνήθως αποτυγχάνουν ή μερικώς - η τυπωμένη γραφή λειτουργεί καλύτερα.
- Όρια: οι μεγάλες σαρώσεις στα 300 dpi χρειάζονται χρόνο σε παλαιότερους φορητούς υπολογιστές. Το πολύ αχνό κείμενο ή ο έντονος θόρυβος μειώνει την ακρίβεια.
Πότε να το χρησιμοποιήσετε
- Δημιουργία αρχείου παλαιού τύπου με δυνατότητα αναζήτησης χωρίς αποστολή τόμων σε εξωτερικό προμηθευτή OCR.
- Προετοιμασία σαρωμένων συμβολαίων για το PDF to Word όταν δεν υπάρχει διαθέσιμο ψηφιακό κείμενο.
- Ενεργοποίηση αντιγραφής-επικόλλησης από κυβερνητικές PDF που είναι τεχνικά εικόνες.
- Ευρετηρίαση πακέτων συσκέψεων που έχουν σαρωθεί από εκτυπώσεις για εσωτερικές βάσεις γνώσεων.
Why JoyPDF for this
Οι υπηρεσίες Cloud OCR ανεβάζουν κάθε σελίδα - συμπεριλαμβανομένων των υπογραφών, των αριθμών λογαριασμών και των ταξινομημένων παραγράφων - για να μην αναγνωρίσουν το κείμενο από το κείμενο. Το JoyPDF OCR εκτελείται από ολοκλήρου στο πρόγραμμα περιήγησής σας: τα pixel και οι αναγνωρισμένες συμβολοσειρές παραμένουν στη συσκευή κατά την επεξεργασία. Επιλέγετε ρητά γλώσσες αντί να μαντεύει ο διακομιστής. Αυτό ταιριάζει με GDPR, νομικά προνόμια και γειτονικές ροές εργασίας με διάκενο αέρα όπου απαγορεύεται η μεταφορά εξερχόμενων εγγράφων.
Πώς να το χρησιμοποιήσετε
- 1Προσθέστε το σαρωμένο PDFΡίξτε το αρχείο ή επιλέξτε το από τη συσκευή σας. Οι σελίδες φορτώνονται τοπικά - δεν υπάρχει ουρά OCR από την πλευρά του διακομιστή.
- 2Επιλέξτε γλώσσες OCRΕπιλέξτε γλώσσες αναγνώρισης - π.χ. Αγγλικά, πολωνικά ή συνδυαστικά eng+pol για δίγλωσσες σαρώσεις.
- 3Αναγνώριση εκτέλεσηςΤο JoyPDF επεξεργάζεται κάθε σελίδα στη συσκευή σας. Η πρόοδος εμφανίζεται ανά σελίδα επειδή το OCR είναι έντασης CPU.
- 4Λήψη PDF με δυνατότητα αναζήτησηςΑποθηκεύστε το αρχείο OCR'd - οπτικά παρόμοιο με τη σάρωση αλλά με επιλέξιμο κείμενο με δυνατότητα αναζήτησης από κάτω.
Συχνές ερωτήσεις
Ποιες γλώσσες υποστηρίζει το JoyPDF OCR;
Το JoyPDF χρησιμοποιεί πακέτα γλώσσας Tesseract που επιλέγετε - κοινές λατινικές γραφές (Αγγλικά, Πολωνικά, Γερμανικά, Γαλλικά, Ισπανικά κ.λπ.) και πολλά άλλα ανάλογα με τα διαθέσιμα εκπαιδευμένα δεδομένα. Συνδυάστε γλώσσες με + για δίγλωσσα έγγραφα, π.χ. pol+eng για Πολωνικό κύριο κείμενο με αγγλικές επικεφαλίδες. Η λανθασμένη επιλογή γλώσσας δημιουργεί ασυνήθιστη αναγνώριση - αντιστοιχίστε το έγγραφο, όχι την τοπική σας γλώσσα UI. Τα σπάνια ή το μικρό κάθε κείμενο μπορούν να χρειάζονται εξειδικευμένο ηλεκτρονικό επιτραπέζιο OCR εάν τα αποτελέσματα του JoyPDF είναι φτωχά. Τα δεδομένα γλώσσας λήψης φορτώνονται στην περίοδο λειτουργίας του προγράμματος περιήγησης. δεν αποστέλλεται πίσω με το PDF σας.
Πόσο ακριβές είναι το πρόγραμμα περιήγησης OCR σε σύγκριση με το Adobe;
Οι καθαρές σαρώσεις γραφείου στα 200-300 dpi με οριζόντια δακτυλογραφημένο κείμενο επιτυγχάνουν συχνά υψηλή ακρίβεια - αρκετά καλή για αναζήτηση και πρόχειρη αντιγραφή-επικόλληση. Οι λοξές φωτογραφίες του τηλεφώνου, οι σφραγίδες πάνω από το κείμενο, οι πινακίδες με κανόνες και οι υποσημειώσεις μειώνουν την ακρίβεια σε οποιονδήποτε κινητήρα. Το JoyPDF δεν θα ξεπεράσει έναν άνθρωπο που ξαναπληκτρολογεί μια κρίσιμη ρήτρα - ελέγχετε πάντα τις νομικές και ιατρικές συμβολοσειρές. Το σύννεφο Adobe OCR μπορεί να προηγηθεί σε δύσκολες διατάξεις, αλλά απαιτείται μεταμόρφωση. Για εσωτερική δυνατότητα αναζήτησης σε μαζικά αρχεία, οι τοπικοί αντισταθμίσεις OCR συνήθως κερδίζουν στο απόρρητο.
Το OCR αλλάζει την οπτική εμφάνιση του PDF μου;
Η εικόνα σάρωσης παραμένει σε ορατό επίπεδο - OCR προσθέτει ένα αόρατο επίπεδο κειμένου από κάτω για αναζήτηση και επιλογή. Δεν πρέπει να βλέπετε εναλλαγές γραμματοσειρών στην ίδια τη σελίδα, εκτός εάν ο θεατής σας επισημάνει το κείμενο OCR. Το μέγεθος του αρχείου μπορεί να είναι αρκετά μέτρια από τις ενσωματωμένες ροές κειμένου. Εάν χρειάζεστε ένα καθαρό πληκτρολογημένο έγγραφο, το OCR τότε το PDF to Word λειτουργεί καλύτερα από το να αναμένετε μόνο το OCR να αντικαταστήσετε τη σάρωση οπτικά. Η επεξεργασία μετά το OCR απαιτεί Redact PDF - Το OCR δεν αφαιρεί ευαίσθητα pixel.
Το σαρωμένο μου PDF μεταφορτώθηκε κατά τη διάρκεια του OCR;
Όχι. Η αναγνώριση εκτελείται τοπικά με το Tesseract.js στο WebAssembly. Οι εικόνες σελίδων επεξεργάζονται στη μνήμη της συσκευής σας. Οι διακομιστές JoyPDF δεν λαμβάνουν byte εγγράφων για το OCR. Λήψη αρχείων μοντέλου γλώσσας από το CDN όπως κάθε εξάρτηση WASM - όχι το περιεχόμενο του εγγράφου σας. Επαληθεύστε με εργαλεία δικτύου εάν η συμμόρφωση απαιτεί απόδειξη. Κλείστε την καρτέλα μετά την εξαγωγή σε κοινόχρηστα μηχανήματα, επειδή η έξοδος OCR ενδέχεται να περιέχει εξαγόμενα PII στο επίπεδο κειμένου. Μετά τη λήψη σε κοινόχρηστο υπολογιστή κλείστε την καρτέλα και αδειάστε τον φάκελο λήψεων σύμφωνα με την πολιτική ασφαλείας.
Μπορώ να OCR a PDF και στη συνέχεια να το μετατρέψω σε Word;
Ναι - αυτός είναι ένας κοινός αγωγός. Το σαρωμένο PDF δεν έχει δομή για το PDF-σε-Word έως ότου το OCR προσθέσει κείμενο. Εκτελέστε πρώτα το OCR PDF για κείμενο με δυνατότητα αναζήτησης και μετά το PDF to Word για επεξεργασίες παραγράφους - ή ενεργοποιήστε τις OCR-πρώτες επιλογές στο PDF to Word όταν προσφέρονται. Το Double-OCR σπάνια βοηθάει. Για τις φόρμες με τα πλαίσια ελέγχου, αναμένετε μη αυτόματη εκκαθάριση στο Word ανεξάρτητα. Εάν έχει σημασία μόνο η αναζήτηση, αρκεί μόνο το OCR χωρίς μετατροπή Word.
Γιατί το OCR είναι αργό στον υπολογιστή μου;
Το OCR είναι πλούσιο σε CPU: κάθε σελίδα αναλύεται σε ανάλυση εικόνας που έχετε ενσωματώσει στη σάρωση. Ένα βιβλίο 200 σελίδων 300 dpi μπορεί να διακρίνει πολλά λεπτά σε έναν παλαιότερο φορητό υπολογιστή - κανονικό, όχι σφάλμα. Κλείστε άλλες καρτέλες για να ελευθερώσετε τη μνήμη RAM. Διαχωρίστε τα κεφάλαια PDF και OCR ξεχωριστά εάν η καρτέλα διακοπεί. Οι επανακλήσεις προόδου εμφανίζουν την κατάσταση ανά σελίδα. Το πιο γρήγορο υλικό βοηθά περισσότερο από την επανάληψη. Ολονύκτια παρτίδα στον επιτραπέζιο υπολογιστή παλεύει ένα πρόγραμμα περιήγησης τηλεφώνου για τεράστια αρχεία.