OCR a rozpoznávání PDF

OCR PDF online zdarma — převádějte naskenovaná PDF na prohledávatelná, extrahujte text pomocí OCR, vytvářejte prohledávatelná PDF z obrázků. Vše běží ve vašem prohlížeči. Také: Editor PDF | Zabezpečení | Komprimovat | Nástroje.
Poznámka k výkonu: OCR při prvním použití stáhne asi 12 MB jazykových dat. Zpracování je náročné na CPU a probíhá zcela ve vašem prohlížeči. U velkých dokumentů (>10 stran) počítejte s několika minutami zpracování. Výsledky závisí na kvalitě skenu a jazyku.
Sken→prohledávatelný: vykreslí každou stránku PDF jako obrázek, spustí OCR pro rozpoznání textu a poté vytvoří nové PDF s neviditelnou textovou vrstvou nad obrazem stránky. Výsledné PDF je prohledávatelné a text je vybíratelný.
Obrázek→PDF: vezme jeden nebo více obrázků, na každý spustí OCR a vytvoří PDF, kde je každý obrázek stránkou a rozpoznaný text je neviditelným překryvem. Ideální pro fotografie dokumentů.
OCR text: přijme soubor PDF nebo obrázek. U PDF vykreslí každou stránku jako obrázek a spustí OCR. Zobrazí rozpoznaný text, který můžete zkopírovat. Nejlepší pro extrakci textu z naskenovaných dokumentů.
Extrakce tabulky: vykreslí stránku PDF jako obrázek, spustí na něm OCR a pokusí se z pozic textu identifikovat strukturu tabulek. Výsledky jsou přibližné — složité tabulky nemusí být dokonale rekonstruovány. Pro přesné tabulky použijte specializované nástroje pro extrakci.

Co je OCR?

Naskenované PDF je v podstatě fotografie stránky: pro počítač je to mřížka pixelů a žádný z nich není text. OCR (optické rozpoznávání znaků) je technologie, která se na tyto pixely dívá a zjišťuje, jaké znaky zobrazují. Výsledkem může být prostý text, který zkopírujete (režim OCR text), nebo neviditelná textová vrstva položená přes obrázek stránky (režimy Sken→prohledávatelný a Obrázek→PDF), což je důvod, proč je naskenovaný dokument prohledávatelný v jakémkoli prohlížeči PDF.

Verze v jedné větě: OCR odhaduje text z tvarů inkoustu. Je to rozpoznávání, ne čtení — výsledkem je nejlepší odhad s hodnotou jistoty, nikoli referenční text, který obsahuje nativní PDF vytvořené digitálně.

Postup OCR

Každý OCR engine prochází zhruba stejnými fázemi. Nejprve se stránka vykreslí do obrázku (u PDF se každá stránka rastrizuje). Následuje binarizace: pixely se klasifikují jako inkoust nebo papír, takže engine pracuje s černobílými tvary. Tvary se poté segmentují na řádky, slova a jednotlivé znaky. Nakonec se každý kandidát klasifikuje — moderní enginy používají trénované neuronové sítě, které se dívají na celé řádky textu, a ne na jednotlivá písmena, proto zvládají rozmazaný nebo mírně nakloněný vstup mnohem lépe než starší porovnávače jednotlivých znaků. Záleží i na jazyku: engine používá slovníky a sady znaků specifické pro jazyk, proto výběr správného jazyka ve výběru výše zvyšuje přesnost.

Neviditelná textová vrstva

„Prohledávatelné PDF“ jsou dvě vrstvy nad sebou: původní obrázek stránky, který vidíte, a neviditelná textová vrstva položená za něj. Výběr textu ve vašem prohlížeči ve skutečnosti vybírá tuto skrytou vrstvu. Viditelný sken se nemění — obrázek zůstává nedotčen, takže kvalita a vzhled se nezmění. Kompromisem je, že kopírování a výsledky hledání jsou jen tak přesné, jak přesné je OCR pod nimi. Pokud bylo slovo rozpoznáno chybně, hledání správného pravopisu jej nenajde, protože skrytá vrstva obsahuje chybu.

Proč rozhoduje DPI

Přesnost rozpoznávání závisí na tom, kolik pixelů připadá na každý znak. Stránky PDF jsou rozloženy v bodech (72 na palec), ale znak o velikosti 10 pt vykreslený v nízkém rozlišení se srazí na hrstku pixelů — při 150 DPI má znak 10 pt výšku jen asi 21 pixelů a při 300 DPI asi 42 pixelů. Pod zhruba 20 pixely se patky stýkají, písmena se rozmazávají a přesnost prudce klesá. Proto je dlouhodobým pravidlem skenování 300 DPI pro OCR: dává každému malému znaku dostatek pixelových detailů, aniž by zbytečně zvětšovala soubor. Vyšší hodnoty rozpoznávání málokdy pomohou — hlavně zvětší sken a zpomalí OCR.

V čem OCR neexceluje

Ruční písmo, stylizovaná display písma a text na rušivém pozadí jsou stále slabá místa. Tabulky jsou zvláštní případ: OCR vidí znaky a jejich pozice, ale skutečně nerozumí řádkům a sloupcům — režim Extrakce tabulky strukturu odvozuje ze zarovnání, proto složité tabulky vycházejí jen přibližně. A pokud PDF už obsahuje skutečný text (bylo exportováno z Wordu, nebylo skenováno), OCR nepotřebujete vůbec: text lze přesněji extrahovat přímo pomocí nástrojů pro export PDF.

Časté omyly

  • „Prohledávatelné PDF je jako PDF vytvořené z Wordu.“ Ne — textová vrstva je prostý rozpoznaný text. Při kopírování odstavce se může ztratit rozvržení a každá chyba rozpoznání je zapečena do skryté vrstvy.
  • „OCR obnoví původní text.“ Rekonstruuje jeho nejlepší odhad. Stránka s přesností 99 % má přibližně jeden chybný znak na 100 — v pořádku pro vyhledávání, riskantní pro právní nebo číselný obsah.
  • „Vyšší DPI je vždy lepší.“ Nad zhruba 400–600 DPI jsou přírůstky přesnosti zanedbatelné, zatímco velikost souboru a doba zpracování stále rostou. 300 DPI je optimum pro běžné dokumenty.
  • „Fotky z telefonu fungují stejně dobře jako skeny.“ Naklonění, nerovnoměrné osvětlení a chvění fotoaparátu přesnost snižují. Fotografujte stránku naplocho, kolmo a dobře osvětlenou — nebo pro důležité dokumenty použijte skutečný skener.

Související nástroje: Export PDF (nativní extrakce textu — OCR u digitálních PDF není potřeba), vysvětlení struktury PDF (jak se textová vrstva připojuje ke stránce), Úprava a uspořádání PDF, Převod do PDF.