OCR for PDF'er online gratis — konvertér scannede PDF'er til søgbare, udtræk tekst via OCR og opret søgbare PDF'er fra billeder. Alt kører i browseren. Se også: PDF-editor | Sikkerhed | Komprimering | Værktøjer.
Ydelsesbemærkning: OCR downloader ca. 12 MB sprogdata ved første brug. Behandlingen er CPU-krævende og sker helt i browseren. Ved store dokumenter (>10 sider) må der regnes med flere minutters behandling. Resultaterne afhænger af scanningskvaliteten og sproget.
0%
0%
0%
0%
Scanning→søgbar: Renderer hver PDF-side som billede, kører OCR for at genkende tekst og opretter derefter en ny PDF med et usynligt tekstlag over sidebilledet. Den resulterende PDF er søgbar og markérbar.
Billede→PDF: Tager ét eller flere billeder, kører OCR på hvert og opretter en PDF med hvert billede som side og genkendt tekst som usynligt overlay. Perfekt til fotos af dokumenter.
OCR-tekst: Accepterer en PDF- eller billedfil. Til PDF'er renderes hver side som billede, og OCR køres. Viser genkendt tekst, som kan kopieres. Bedst til at udtrække tekst fra scannede dokumenter.
Tabeludtræk: Renderer PDF-siden som billede, kører OCR på den og forsøger at identificere tabelstrukturer ud fra tekstpositionerne. Resultaterne er omtrentlige — komplekse tabeller rekonstrueres muligvis ikke perfekt. Til præcise tabeller bruges dedikerede udtrækningsværktøjer.
Hvad er OCR?
En scannet PDF er i bund og grund et fotografi af en side: for computeren er den et gitter af pixels, og ingen af dem er tekst. OCR (Optical Character Recognition) er teknologien, der undersøger pixels og finder ud af, hvilke tegn de viser. Resultatet kan være almindelig tekst, man kan kopiere (tilstanden OCR-tekst), eller et usynligt tekstlag placeret oven på sidebilledet (tilstandene Scanning→søgbar og Billede→PDF), og det er det, der gør et scannet dokument søgbart i enhver PDF-læser.
Den enlinjede version: OCR gætter tekst ud fra formerne i blækket. Det er genkendelse, ikke læsning — resultatet er et bedste gæt med en konfidensscore, ikke den grundsandhed, som en nativt digital PDF indeholder.
OCR-forløbet
Alle OCR-motorer følger nogenlunde de samme trin. Først renderes siden til et billede (for PDF'er rastreres hver side). Dernæst kommer binarisering: pixels klassificeres som blæk eller papir, så motoren arbejder med sort-hvide former. Formerne segmenteres derefter i linjer, ord og enkelte tegn. Til sidst klassificeres hver kandidat — moderne motorer bruger trænede neurale netværk, der ser på hele tekstlinjer frem for enkelte bogstaver, og derfor klarer sløret eller let skævt input langt bedre end ældre enkelttegns-matchere. Sproget betyder også noget: motoren bruger sprogspecifikke ordbøger og tegnsæt, og derfor forbedrer valg af det rigtige sprog i vælgeren ovenfor nøjagtigheden.
Det usynlige tekstlag
En "søgbar PDF" består af to ting oven på hinanden: det oprindelige sidebillede, man ser, og et usynligt tekstlag placeret bag det. Markering af tekst i læseren markerer faktisk det skjulte lag. Intet ved den synlige scanning ændres — billedet røres ikke, så kvalitet og udseende ændrer sig aldrig. Afvejningen er, at kopiering og søgeresultater kun er så nøjagtige som OCR-kørslen under dem. Er et ord fejlgenkendt, finder søgning efter den korrekte stavning det ikke, fordi det skjulte lag indeholder fejlen.
Hvorfor DPI er afgørende
Genkendelsesnøjagtigheden afhænger af, hvor mange pixels hvert tegn får. PDF-sider layoutes i point (72 pr. tomme), men et 10 pt-tegn gengivet i lav opløsning skrumper ind til en håndfuld pixels — ved 150 DPI er et 10 pt-tegn kun cirka 21 pixels højt, og ved 300 DPI cirka 42 pixels. Under cirka 20 pixels lukker serifferne sig, bogstaver flyder ud i hinanden, og nøjagtigheden falder markant. Derfor er den langvarige scanningsvejledning 300 DPI til OCR: den giver hvert lille tegn nok pixeldetaljer uden at spilde filstørrelse. At gå meget højere hjælper sjældent genkendelsen — det gør hovedsageligt scanningen større og OCR langsommere.
Hvad OCR ikke er god til
Håndskrift, stiliserede displayskrifttyper og tekst over travle baggrunde er stadig svage punkter. Tabeller er et særtilfælde: OCR ser tegn og deres positioner, men forstår ikke egentlig rækker og kolonner — tilstanden Tabeludtræk udleder struktur ud fra justering, og derfor bliver komplekse tabeller omtrentlige. Og hvis en PDF allerede indeholder rigtig tekst (den er eksporteret fra Word, ikke scannet), er OCR slet ikke nødvendig: teksten kan udtrækkes direkte og mere præcist med PDF-eksportværktøjerne.
Almindelige misforståelser
"En søgbar PDF er bare som en PDF lavet i Word." Nej — tekstlaget er almindelig genkendt tekst. Kopieres et afsnit ud, kan layoutet gå tabt, og enhver genkendelsesfejl er indbygget i det skjulte lag.
"OCR genskaber den oprindelige tekst." Den rekonstruerer et bedste gæt på den. En side med 99% nøjagtighed har stadig cirka ét forkert tegn pr. 100 — fint til søgning, risikabelt til juridisk eller numerisk indhold.
"Mere DPI er altid bedre." Ud over cirka 400–600 DPI er nøjagtighedsgevinsten ubetydelig, mens filstørrelse og behandlingstid fortsat stiger. 300 DPI er det optimale punkt for typiske dokumenter.
"Telefonfotos virker lige så godt som scanninger." Skæv vinkel, ujævn belysning og kamerarystelser forringer alle nøjagtigheden. Fotografér siden flad, lige forfra og godt belyst — eller brug en rigtig scanner til vigtige dokumenter.
