OCR PDF
Poimi haettava teksti skannatuista asiakirjoista.
Opas ja UKK
Tietoa tästä työkalusta
Muuta skannatut PDF:t ja kuvapohjaiset dokumentit haettaviksi, kopioitaviksi tiedostoiksi – tunnista teksti selaimessasi Tesseract.js:llä lataamatta sivuja pilvi-OCR-palveluun. Valitse kielet, aja tunnistus paikallisesti ja lataa PDF piilotetulla tekstikerroksella, joka vastaa näkyvää skannausta. Ilmainen, ei tiliä. Välttämätön arkistosopimuksille, viranomaislomakkeille ja tutkimus-PDF:ille, joissa tarvitset Ctrl+F:n, kopioi-liitä-toiminnon tai myöhemmän PDF-Word-vaiheen.
What you get
- Tulos: PDF, jossa on näkymätön tekstikerros jokaisella sivulla – haku ja kopiointi toimivat Acrobatissa, Previewissa ja selaimissa.
- Moottori: Tesseract LSTM ajetaan paikallisesti WebAssemblyn kautta – ei kolmannen osapuolen OCR-API:a oletuksena.
- Kielet: monikieliset paketit yhdistetään +-merkillä – tarkkuus riippuu kunkin kirjoituksen koulutusdatasta.
- Visuaalinen: sivun ulkoasu pysyy skannauksena; OCR ei uudelleenlataa tekstiä tai siivoa vinoja marginaaleja automaattisesti.
- Käsiala: kursiivi ja allekirjoitukset epäonnistuvat yleensä tai ovat osittaisia – konekirjoitettu teksti toimii parhaiten.
- Rajat: suuret skannaukset 300 dpi:llä vievät aikaa vanhemmilla kannettavilla; hyvin haalea teksti tai runsas kohina vähentää tarkkuutta.
Milloin käyttää
- Vanhan paperiarkiston tekeminen haettavaksi lähettämättä massoja ulkoiselle OCR-toimittajalle.
- Skannattujen sopimusten valmistelu PDF-Word-muunnokseen, kun syntyperäistä digitaalista tekstiä ei ole.
- Kopioi-liitä-toiminnon mahdollistaminen viranomais-PDF:istä, jotka teknisesti ovat kuvia.
- Kokouspakettien indeksointi tulosteista skannattuna sisäisiin tietopankkeihin.
Why JoyPDF for this
Pilvi-OCR-palvelut lataavat jokaisen sivun – mukaan lukien allekirjoitukset, tilinumerot ja luokitellut kappaleet – tunnistamaan tekstiä etänä. JoyPDF OCR ajetaan kokonaan selaimessasi: pikselit ja tunnistetut merkkijonot pysyvät laitteella käsittelyn aikana. Valitset kielet eksplisiittisesti sen sijaan, että palvelin arvaisi. Se sopii GDPR:ään, asianajajan salassapitovelvollisuuteen ja lähes ilmaväliin eristettyihin workfloweihin, joissa ulospäin menevä dokumenttisiirto on kielletty.
Näin käytät
- 1Lisää skannattu PDFPudota tiedosto tai valitse se laitteeltasi. Sivut latautuvat paikallisesti – ei palvelinpuolen OCR-jonoa.
- 2Valitse OCR-kieletValitse tunnistuskielet – esim. englanti, puola tai yhdistetty eng+pol kaksikielisille skannauksille.
- 3Suorita tunnistusJoyPDF käsittelee jokaisen sivun laitteellasi; edistyminen näkyy sivukohtaisesti, koska OCR on CPU-intensiivistä.
- 4Lataa haettava PDFTallenna OCR-käsitelty tiedosto – visuaalisesti samanlainen kuin skannaus, mutta valittavalla, haettavalla tekstillä alla.
Usein kysytyt kysymykset
Mitä kieliä JoyPDF OCR tukee?
JoyPDF käyttää valitsemiasi Tesseract-kielipaketteja – yleisiä latinalaisia kirjoituksia (englanti, puola, saksa, ranska, espanja jne.) ja monia muita saatavilla olevan traineddatan mukaan. Yhdistä kielet +-merkillä kaksikielisille dokumenteille, esim. pol+eng puolalaiselle leipätekstille englanninkielisillä otsikoilla. Väärä kielivalinta tuottaa merkityksetöntä tunnistusta – vastaa dokumenttia, et käyttöliittymän kieltäsi. Harvinaiset kirjoitukset tai sekoittunut pystysuuntainen teksti voivat vaatia erikoistunutta työpöytä-OCR:ää, jos JoyPDF-tulokset ovat heikkoja. Ladattu kielidata latautuu selainistuntoon; sitä ei lähetetä takaisin PDF:si mukana. Tarkista Verkko-välilehti: vain sovellusresursseja ladataan, ei dokumenttiasi. Sulje välilehti latauksen jälkeen jaetulla koneilla ja tyhjennä latauskansio organisaatiosi tietoturvakäytännön mukaan. Kaikki käsittely tapahtuu paikallisesti selaimessasi - tiedosto ei koskaan päädy JoyPDF-palvelimille.
Kuinka tarkka selain-OCR on verrattuna Adobeen?
Puhtaat toimistoskannaukset 200–300 dpi:llä vaakasuuntaisella konekirjoitetulla tekstillä saavuttavat usein korkean tarkkuuden – riittävän hakuun ja karkeaan kopioi-liitä-käyttöön. Vinot puhelinvalokuvat, leimat tekstin päällä, viivalliset taulukot ja alaviitteet vähentävät tarkkuutta kaikissa moottoreissa. JoyPDF ei voita ihmistä, joka kirjoittaa kriittisen kappaleen uudelleen – tarkista aina oikeudelliset ja lääketieteelliset merkkijonot. Adoben pilvi-OCR voi olla hieman parempi vaikeissa asetteluissa, mutta vaatii latauksen. Sisäiseen haettavuuteen massiivisissa arkistoissa paikalliset OCR-kompromissit voittavat yleensä yksityisyyden. Vertaa tulosta alkuperäiseen ennen kuin lähetät tiedoston ulkoisille osapuolille, oikeuteen tai compliance-arkistoon. Sulje välilehti latauksen jälkeen jaetulla koneilla ja tyhjennä latauskansio organisaatiosi tietoturvakäytännön mukaan.
Muuttaako OCR PDF:n visuaalista ulkonäköä?
Skannauskuva pysyy näkyvänä kerroksena – OCR lisää näkymättömän tekstikerroksen alle hakua ja valintaa varten. Et pitäisi nähdä fonttivaihtoja itse sivulla, ellei lukijasi korosta OCR-tekstiä. Tiedostokoko voi kasvaa kohtuullisesti upotetuista tekstivirroista. Jos tarvitset puhtaan uudelleenkirjoitetun dokumentin, OCR ja sitten PDF Wordiksi toimii paremmin kuin OCR yksin skannauksen visuaaliseen korvaamiseen. Peittäminen OCR:n jälkeen vaatii Peitä PDF -työkalun – OCR ei poista arkaluonteisia pikseleitä. Vertaa tulosta alkuperäiseen ennen kuin lähetät tiedoston ulkoisille osapuolille, oikeuteen tai compliance-arkistoon. Tarkista selaimen kehitystyökalujen Verkko-välilehti: vain sovelluksen resurssit ladataan, ei dokumenttiasi. Sulje välilehti latauksen jälkeen jaetulla koneilla ja tyhjennä latauskansio organisaatiosi tietoturvakäytännön mukaan.
Ladataanko skannattu PDF OCR:n aikana?
Ei. Tunnistus ajetaan paikallisesti Tesseract.js:llä WebAssemblyssa. Sivukuvat käsitellään muistissa laitteellasi; JoyPDF-palvelimet eivät vastaanota dokumenttitavuja OCR:ää varten. Kielimallitiedostot latautuvat CDN:stä kuten mikä tahansa WASM-riippuvuus – ei dokumenttisisältöäsi. Varmista verkkotyökaluilla, jos compliance vaatii todisteen. Sulje välilehti viennin jälkeen jaetuilla koneilla, koska OCR-tulos voi sisältää poimittuja henkilötietoja tekstikerroksessa. Sulje välilehti latauksen jälkeen jaetulla koneella ja tyhjennä latauskansio tarvittaessa turvallisuuskäytäntösi mukaisesti. Kaikki käsittely tapahtuu paikallisesti selaimessa – tiedosto ei koskaan päädy JoyPDF:n palvelimille. Kaikki käsittely tapahtuu paikallisesti selaimessasi - tiedosto ei koskaan päädy JoyPDF-palvelimille.
Voinko OCR:ata PDF:n ja muuntaa sen Wordiksi?
Kyllä – se on yleinen putki. Skannatuissa PDF:issä ei ole rakennetta PDF-Word-muunnokseen, ennen kuin OCR lisää tekstiä. Aja OCR PDF ensin haettavaa tekstiä varten, sitten PDF Wordiksi muokattaville kappaleille – tai ota OCR-ensin-vaihtoehto PDF Wordiksi -työkalussa, kun tarjolla. Kaksois-OCR harvoin auttaa. Lomakkeissa valintaruuduilla odota manuaalista siivousta Wordissa joka tapauksessa. Jos vain haku merkitsee, OCR yksin riittää ilman Word-muunnosta. Suunnittele workflow oikeassa järjestyksessä, säilytä alkuperäisen varmuuskopio ja testaa edustavalla näytteellä ennen koko erän käsittelyä. Tarkista selaimen kehitystyökalujen Verkko-välilehti: vain sovelluksen resurssit ladataan, ei dokumenttiasi. Sulje välilehti latauksen jälkeen jaetulla koneilla ja tyhjennä latauskansio organisaatiosi tietoturvakäytännön mukaan.
Miksi OCR on hidas tietokoneellani?
OCR on CPU-raskasta: jokainen sivu analysoidaan skannauksessa upotetussa kuvaresoluutiossa. 300 dpi:n, 200-sivuinen kirja voi viedä monta minuuttia vanhalla kannettavalla – normaalia, ei vikaa. Sulje muut välilehdet vapauttaaksesi RAM:ia. Jaa PDF ja OCR luvut erikseen, jos välilehti kaatuu. Edistyminen näkyy sivukohtaisesti. Nopeampi laitteisto auttaa enemmän kuin uudelleenyritys. Yön ajaminen työpöydällä voittaa taistelun puhelin selainta vastaan valtaville arkistoille. Vertaa tulosta alkuperäiseen ennen kuin lähetät tiedoston ulkoisille osapuolille, oikeuteen tai compliance-arkistoon. Tarkista selaimen kehitystyökalujen Verkko-välilehti: vain sovelluksen resurssit ladataan, ei dokumenttiasi. Sulje välilehti latauksen jälkeen jaetulla koneilla ja tyhjennä latauskansio organisaatiosi tietoturvakäytännön mukaan.