OCR PDF
స్కాన్ చేసిన పత్రాల నుండి శోధించదగిన టెక్స్ట్ తీయండి.
గైడ్ మరియు FAQ
ఈ సాధనం గురించి
స్కాన్ చేసిన PDFs మరియు ఇమేజ్-మాత్రమే డాక్యుమెంట్‌లను శోధించదగిన, కాపీ-ఫ్రెండ్లీ ఫైల్‌లుగా మార్చండి - క్లౌడ్ OCR ఫారమ్‌కి పేజీలను అప్‌లోడ్ చేయకుండా Tesseract.jsతో మీ బ్రౌజర్‌లోని వచనాన్ని గుర్తించండి. భాషలను ఎంచుకోండి, స్థానికంగా గుర్తింపును అమలు చేయండి మరియు కనిపించే స్కాన్‌కు సమలేఖనం చేయబడిన దాచిన టెక్స్ట్ లేయర్‌తో PDFని డౌన్‌లోడ్ చేయండి. ఉచితం, ఖాతా లేదు. ఆర్కైవల్ కాంట్రాక్టులు, ప్రభుత్వ ఫారమ్‌లు మరియు పరిశోధన PDFల కోసం అవసరం, ఇక్కడ మీకు Ctrl+F, కాపీ-పేస్ట్ లేదా తర్వాత PDF-to-Word పాస్ అవసరం.
What you get
- అవుట్‌పుట్: PDF ప్రతి పేజీపై ఒక అదృశ్య టెక్స్ట్ లేయర్‌తో - అక్రోబాట్, ప్రివ్యూ మరియు బ్రౌజర్‌లలో పనిని శోధించండి మరియు కాపీ చేయండి.
- ఇంజిన్: Tesseract LSTM స్థానికంగా WebAssembly ద్వారా అమలవుతోంది - డిఫాల్ట్‌గా థర్డ్-పార్టీ OCR API లేదు.
- భాషలు: + -తో కలిపి బహుళ-భాషా ప్యాక్‌లు ప్రతి స్క్రిప్ట్‌కు శిక్షణ డేటాపై ఆధారపడి ఉంటాయి.
- విజువల్స్: పేజీ రూపాన్ని స్కాన్ చేస్తూనే ఉంటుంది; OCR వక్ర మార్జిన్‌లను స్వయంచాలకంగా మళ్లీ టైప్ చేయదు లేదా శుభ్రపరచదు.
- చేతివ్రాత: కర్సివ్ మరియు సంతకాలు సాధారణంగా విఫలమవుతాయి లేదా పాక్షికంగా - టైప్ చేసిన ప్రింట్ ఉత్తమంగా పని చేస్తుంది.
- పరిమితులు: 300 dpi వద్ద పెద్ద స్కాన్‌లకు పాత ల్యాప్‌టాప్‌లలో సమయం పడుతుంది; చాలా మందమైన వచనం లేదా భారీ శబ్దం ఖచ్చితత్వాన్ని తగ్గిస్తుంది.
ఎప్పుడు ఉపయోగించాలి
- బాహ్య OCR విక్రేతకు వాల్యూమ్‌లను పంపకుండా లెగసీ పేపర్ ఆర్కైవ్‌ను శోధించగలిగేలా చేయడం.
- పుట్టిన డిజిటల్ టెక్స్ట్ అందుబాటులో లేనప్పుడు PDF నుండి Word వరకు స్కాన్ చేసిన ఒప్పందాలను సిద్ధం చేస్తోంది.
- సాంకేతికంగా చిత్రాలైన ప్రభుత్వం PDFs నుండి కాపీ-పేస్ట్‌ని ప్రారంభిస్తోంది.
- అంతర్గత నాలెడ్జ్ బేస్‌ల కోసం ప్రింట్‌అవుట్‌ల నుండి స్కాన్ చేయబడిన మీటింగ్ ప్యాకెట్‌లను ఇండెక్సింగ్ చేయడం.
Why JoyPDF for this
క్లౌడ్ OCR సేవలు రిమోట్‌గా వచనాన్ని గుర్తించడానికి సంతకాలు, ఖాతా నంబర్‌లు మరియు వర్గీకృత పేరాలతో సహా ప్రతి పేజీని అప్‌లోడ్ చేస్తాయి. JoyPDF OCR మీ బ్రౌజర్‌లో పూర్తిగా రన్ అవుతుంది: ప్రాసెసింగ్ సమయంలో పిక్సెల్‌లు మరియు గుర్తించబడిన స్ట్రింగ్‌లు పరికరంలో ఉంటాయి. మీరు సర్వర్ ఊహించడానికి బదులుగా భాషలను స్పష్టంగా ఎంచుకుంటారు. అది GDPR, లీగల్ ప్రివిలేజ్ మరియు అవుట్‌బౌండ్ డాక్యుమెంట్ బదిలీ నిషేధించబడిన ఎయిర్-గ్యాప్డ్-ప్రక్కనే ఉన్న వర్క్‌ఫ్లోలకు సరిపోతుంది.
ఎలా ఉపయోగించాలి
- 1మీ స్కాన్ చేసిన PDFని జోడించండిఫైల్‌ను వదలండి లేదా మీ పరికరం నుండి దాన్ని ఎంచుకోండి. పేజీలు స్థానికంగా లోడ్ అవుతాయి - సర్వర్ వైపు OCR క్యూ లేదు.
- 2OCR భాషలను ఎంచుకోండిగుర్తింపు భాషలను ఎంచుకోండి - ఉదా. ద్విభాషా స్కాన్‌ల కోసం ఇంగ్లీష్, పోలిష్ లేదా కలిపి eng+pol.
- 3గుర్తింపును అమలు చేయండిJoyPDF మీ పరికరంలోని ప్రతి పేజీని ప్రాసెస్ చేస్తుంది; OCR CPU-ఇంటెన్సివ్ అయినందున ప్రతి పేజీకి పురోగతి చూపుతుంది.
- 4శోధించదగిన డౌన్‌లోడ్ PDFOCR చేసిన ఫైల్‌ను సేవ్ చేయండి - దృశ్యమానంగా స్కాన్‌ని పోలి ఉంటుంది కానీ ఎంచుకోదగిన, శోధించదగిన వచనంతో.
తరచుగా అడిగే ప్రశ్నలు
JoyPDF OCR ఏ భాషలకు మద్దతు ఇస్తుంది?
JoyPDF మీరు ఎంచుకున్న Tesseract లాంగ్వేజ్ ప్యాక్‌లను ఉపయోగిస్తుంది - సాధారణ లాటిన్ స్క్రిప్ట్‌లు (ఇంగ్లీష్, పోలిష్, జర్మన్, ఫ్రెంచ్, స్పానిష్, మొదలైనవి) మరియు అందుబాటులో ఉన్న శిక్షణా డేటా ఆధారంగా అనేక ఇతరాలు. ద్విభాషా పత్రాల కోసం +తో భాషలను కలపండి, ఉదా. ఆంగ్ల శీర్షికలతో పోలిష్ బాడీ టెక్స్ట్ కోసం pol+eng. తప్పు భాషా ఎంపిక అసంబద్ధమైన గుర్తింపును ఉత్పత్తి చేస్తుంది - మీ UI లొకేల్‌తో కాకుండా పత్రంతో సరిపోలుతుంది. JoyPDF ఫలితాలు పేలవంగా ఉంటే అరుదైన స్క్రిప్ట్‌లు లేదా మిశ్రమ నిలువు వచనానికి స్పెషలిస్ట్ డెస్క్‌టాప్ OCR అవసరం కావచ్చు. డౌన్‌లోడ్ చేయబడిన భాష డేటా బ్రౌజర్ సెషన్‌లోకి లోడ్ అవుతుంది; ఇది మీ PDFతో తిరిగి పంపబడదు.
Adobeతో పోలిస్తే బ్రౌజర్ OCR ఎంత ఖచ్చితమైనది?
క్షితిజ సమాంతరంగా టైప్ చేసిన వచనంతో 200-300 dpi వద్ద క్లీన్ ఆఫీస్ స్కాన్‌లు తరచుగా అధిక ఖచ్చితత్వాన్ని చేరుకుంటాయి - శోధన మరియు రఫ్ కాపీ-పేస్ట్ చేయడానికి సరిపోతుంది. వక్రీకరించిన ఫోన్ ఫోటోలు, టెక్స్ట్‌పై స్టాంపులు, నియమాలతో కూడిన పట్టికలు మరియు ఫుట్‌నోట్‌లు ఏదైనా ఇంజిన్‌లో ఖచ్చితత్వాన్ని తగ్గిస్తాయి. JoyPDF ఒక క్లిష్టమైన నిబంధనను మళ్లీ టైప్ చేసే మానవుడిని ఓడించదు - ఎల్లప్పుడూ చట్టపరమైన మరియు వైద్య తీగలను స్పాట్-చెక్ చేయండి. Adobe యొక్క క్లౌడ్ OCR కఠినమైన లేఅవుట్‌లలో ముందుకు సాగవచ్చు కానీ అప్‌లోడ్ అవసరం. బల్క్ ఆర్కైవ్‌లలో అంతర్గత శోధన సామర్థ్యం కోసం, స్థానిక OCR ట్రేడ్-ఆఫ్‌లు సాధారణంగా గోప్యతపై గెలుస్తాయి. మీ బ్రౌజర్ డెవలపర్ టూల్స్‌లో నెట్‌వర్క్ ట్యాబ్‌ను తనిఖీ చేయండి: యాప్ వనరులు మాత్రమే లోడ్ అవుతాయి, మీ పత్రం కాదు.
OCR నా PDF యొక్క దృశ్య రూపాన్ని మారుస్తుందా?
స్కాన్ చిత్రం కనిపించే లేయర్‌గా మిగిలిపోయింది - OCR శోధన మరియు ఎంపిక కోసం కింద ఒక అదృశ్య వచన పొరను జోడిస్తుంది. మీ వీక్షకుడు OCR వచనాన్ని హైలైట్ చేస్తే తప్ప మీరు పేజీలోనే ఫాంట్ మార్పిడిని చూడకూడదు. పొందుపరిచిన టెక్స్ట్ స్ట్రీమ్‌ల నుండి ఫైల్ పరిమాణం నిరాడంబరంగా పెరగవచ్చు. మీకు క్లీన్ రీటైప్ చేసిన పత్రం అవసరమైతే, OCR ఆపై PDF నుండి Word వరకు స్కాన్‌ను దృశ్యమానంగా భర్తీ చేయడానికి OCR మాత్రమే ఆశించడం కంటే మెరుగ్గా పని చేస్తుంది. OCR తర్వాత సరిదిద్దడానికి Redact PDF అవసరం - OCR సున్నితమైన పిక్సెల్‌లను తీసివేయదు. మీ బ్రౌజర్ డెవలపర్ టూల్స్‌లో నెట్‌వర్క్ ట్యాబ్‌ను తనిఖీ చేయండి: యాప్ వనరులు మాత్రమే లోడ్ అవుతాయి, మీ పత్రం కాదు. షేర్ చేసిన కంప్యూటర్‌లో డౌన్‌లోడ్ చేసిన తర్వాత, ట్యాబ్‌ను మూసివేసి, మీ భద్రతా విధానం ప్రకారం డౌన్‌లోడ్ ఫోల్డర్‌ను క్లియర్ చేయండి.
నా స్కాన్ చేసిన PDF OCR సమయంలో అప్‌లోడ్ చేయబడిందా?
సంఖ్య. గుర్తింపు స్థానికంగా WebAssemblyలో Tesseract.jsతో అమలవుతుంది. పేజీ చిత్రాలు మీ పరికరంలో మెమరీలో ప్రాసెస్ చేయబడతాయి; JoyPDF సర్వర్లు OCR కోసం డాక్యుమెంట్ బైట్‌లను స్వీకరించవు. ఏదైనా WASM డిపెండెన్సీ వంటి భాషా మోడల్ ఫైల్‌లు CDN నుండి డౌన్‌లోడ్ చేయబడతాయి - మీ డాక్యుమెంట్ కంటెంట్ కాదు. సమ్మతికి రుజువు అవసరమైతే నెట్‌వర్క్ సాధనాలతో ధృవీకరించండి. షేర్ చేసిన మెషీన్‌లలో ఎగుమతి చేసిన తర్వాత ట్యాబ్‌ను మూసివేయండి ఎందుకంటే OCR అవుట్‌పుట్ టెక్స్ట్ లేయర్‌లో సంగ్రహించబడిన PIIని కలిగి ఉండవచ్చు. మీ బ్రౌజర్ డెవలపర్ టూల్స్‌లో నెట్‌వర్క్ ట్యాబ్‌ను తనిఖీ చేయండి: యాప్ వనరులు మాత్రమే లోడ్ అవుతాయి, మీ పత్రం కాదు. షేర్ చేసిన కంప్యూటర్‌లో డౌన్‌లోడ్ చేసిన తర్వాత, ట్యాబ్‌ను మూసివేసి, మీ భద్రతా విధానం ప్రకారం డౌన్‌లోడ్ ఫోల్డర్‌ను క్లియర్ చేయండి.
నేను PDFకి OCR చేసిన తర్వాత దానిని Wordకి మార్చవచ్చా?
అవును - ఇది సాధారణ పైప్‌లైన్. OCR వచనాన్ని జోడించే వరకు స్కాన్ చేయబడిన PDFsకి PDF-to-Word కోసం నిర్మాణం లేదు. శోధించదగిన వచనం కోసం ముందుగా OCR PDFని అమలు చేయండి, ఆపై సవరించగలిగే పేరాగ్రాఫ్‌ల కోసం PDF నుండి Word వరకు అమలు చేయండి - లేదా ఆఫర్ చేసినప్పుడు OCR-మొదటి ఎంపికలను PDF నుండి Word వరకు ప్రారంభించండి. డబుల్-OCR అరుదుగా సహాయం చేస్తుంది. చెక్‌బాక్స్‌లు ఉన్న ఫారమ్‌ల కోసం, సంబంధం లేకుండా Wordలో మాన్యువల్ క్లీనప్‌ను ఆశించండి. శోధన మాత్రమే ముఖ్యమైతే, Word మార్పిడి లేకుండా OCR ఒక్కటే సరిపోతుంది. మీ బ్రౌజర్ డెవలపర్ టూల్స్‌లో నెట్‌వర్క్ ట్యాబ్‌ను తనిఖీ చేయండి: యాప్ వనరులు మాత్రమే లోడ్ అవుతాయి, మీ పత్రం కాదు. షేర్ చేసిన కంప్యూటర్‌లో డౌన్‌లోడ్ చేసిన తర్వాత, ట్యాబ్‌ను మూసివేసి, మీ భద్రతా విధానం ప్రకారం డౌన్‌లోడ్ ఫోల్డర్‌ను క్లియర్ చేయండి.
నా కంప్యూటర్‌లో OCR ఎందుకు నెమ్మదిగా ఉంది?
OCR CPU-భారీ: ప్రతి పేజీ మీరు స్కాన్‌లో పొందుపరిచిన ఇమేజ్ రిజల్యూషన్‌లో విశ్లేషించబడుతుంది. 300 dpi, 200-పేజీల పుస్తకం పాత ల్యాప్‌టాప్‌లో చాలా నిమిషాలు పట్టవచ్చు - సాధారణమైనది, బగ్ కాదు. ఉచిత RAM కోసం ఇతర ట్యాబ్‌లను మూసివేయండి. ట్యాబ్ క్రాష్ అయినట్లయితే PDF మరియు OCR అధ్యాయాలను విడిగా విభజించండి. ప్రోగ్రెస్ కాల్‌బ్యాక్‌లు ఒక్కో పేజీ స్థితిని చూపుతాయి. వేగవంతమైన హార్డ్‌వేర్ మళ్లీ ప్రయత్నించడం కంటే ఎక్కువ సహాయపడుతుంది. డెస్క్‌టాప్‌లోని ఓవర్‌నైట్ బ్యాచ్ భారీ ఆర్కైవ్‌ల కోసం ఫోన్ బ్రౌజర్‌తో పోరాడుతోంది. షేర్ చేసిన కంప్యూటర్‌లో డౌన్‌లోడ్ చేసిన తర్వాత, ట్యాబ్‌ను మూసివేసి, మీ భద్రతా విధానం ప్రకారం డౌన్‌లోడ్ ఫోల్డర్‌ను క్లియర్ చేయండి. అన్ని ప్రాసెసింగ్ మీ బ్రౌజర్‌లో స్థానికంగా జరుగుతుంది - ఫైల్ JoyPDF సర్వర్‌లకు చేరదు.