PDF-OCR & felismerés

OCR-PDF-ek online, ingyen — szkennelt PDF-ek kereshetővé alakítása, szöveg kinyerése OCR-rel, kereshető PDF-ek készítése képekből. Minden a böngészőben fut. További eszközök: PDF-szerkesztő | Biztonság | Tömörítés | Segédeszközök.
Teljesítménymegjegyzés: Az OCR első használatkor kb. 12 MB nyelvi adatot tölt le. A feldolgozás processzorigényes, és teljes egészében a böngészőben történik. Nagy dokumentumoknál (>10 oldal) több perces feldolgozás várható. Az eredmény a szkennelés minőségétől és a nyelvtől függ.
Szkennelés→kereshető: Minden PDF-oldalt képpé renderel, OCR-rel felismeri a szöveget, majd új PDF-et készít az oldalkép fölé helyezett láthatatlan szövegréteggel. Az eredmény PDF kereshető és kijelölhető.
Kép→PDF: Egy vagy több képet vesz fel, mindegyiken OCR-t futtat, és olyan PDF-et készít, amelyben minden kép egy oldal, a felismert szöveg pedig láthatatlan rétegként van rajta. Dokumentumok fényképeihez ideális.
OCR-szöveg: PDF- vagy képfájlt fogad el. PDF-eknél oldalanként képpé rasztereződik, és OCR fut rajta. Megjeleníti a felismert szöveget, amelyet ki lehet másolni. Szkennelt dokumentumok szövegének kinyerésére a legjobb.
Táblázatkinyerés: A PDF-oldalt képként rendereli, OCR-t futtat rajta, és megkísérli felismerni a táblázatszerkezeteket a szövegpozíciókból. Az eredmények közelítők — az összetett táblázatok nem feltétlenül állnak vissza tökéletesen. Pontos táblázatokhoz külön kinyerőeszköz szükséges.

Mi az OCR?

A szkennelt PDF lényegében az oldal fényképe: a számítógép számára pixelrács, és ebben semmi nem szöveg. Az OCR (Optikai karakterfelismerés) az a technológia, amely ezeket a pixeleket megnézi, és kiszámítja, melyik karaktereket ábrázolják. Az eredmény lehet a kimásolható egyszerű szöveg (OCR-szöveg mód), vagy az oldalképre helyezett láthatatlan szövegréteg (Szkennelés→kereshető és Kép→PDF módok), ami szkennelt dokumentumot bármely PDF-megjelenítőben kereshetővé tesz.

Az egysoros változat: az OCR a tintaalakzatokból becsüli a szöveget. Ez felismerés, nem olvasás — az eredmény megbízhatósági pontszámmal ellátott legjobb becslés, nem az az alapigazság, amelyet egy natív, digitálisan készült PDF tartalmaz.

Az OCR folyamata

Minden OCR-motor nagyjából ugyanazokat a szakaszokat követi. Először az oldal képpé renderelődik (PDF-eknél oldalanként rasztereződik). Ezután jön a binarizálás: a pixelek tintává vagy papírrá sorolódnak, így a motor fekete-fehér alakzatokkal dolgozik. Az alakzatok ezután szegmentálódnak sorokra, szavakra és egyedi karakterekre. Végül minden jelöltet osztályozzák: a modern motorok betanított neurális hálózatokat használnak, amelyek egész szövegsorokat néznek egyedi betűk helyett, ezért sokkal jobban kezelik az elmosódott vagy enyhén ferde bemenetet, mint a régebbi, karakterenkénti illesztők. A nyelv is számít: a motor nyelvspecifikus szótárakat és karakterkészleteket használ, ezért a fenti kiválasztóban a helyes nyelv megadása javítja a pontosságot.

A láthatatlan szövegréteg

A „kereshető PDF” két dolog egymásra rakva: a látható eredeti oldalkép, és az alatta elhelyezett láthatatlan szövegréteg. A megjelenítőben a szöveg kijelölése valójában ezt a rejtett réteget jelöli ki. A látható szkennelés semmiben nem változik — a kép érintetlen, így a minőség és a megjelenés soha nem módosul. A kompromisszum az, hogy a másolás és a keresés találatai csak annyira pontosak, mint az alatta lévő OCR-menet. Ha egy szó hibásan lett felismerve, a helyes írásmóddal való keresés nem találja meg, mert a rejtett réteg a hibát tartalmazza.

Miért dönt mindent a DPI

A felismerés pontossága attól függ, hány pixel jut egy karakterre. A PDF-oldalak pontokban (72 pont hüvelykenként) vannak megadva, de egy 10 pontos karakter alacsony felbontásban néhány pixellé zsugorodik — 150 DPI-n egy 10 pontos karakter mindössze kb. 21 pixel magas, 300 DPI-n kb. 42 pixel. Nagyjából 20 pixel alatt az talpak összeérnek, a betűk összefolynak, és a pontosság meredeken csökken. Ezért a hosszú ideje érvényes szkennelési irányelv a 300 DPI az OCR-hez: minden kis karakternek elég pixelreszolúciót ad a fájlméret pazarlása nélkül. Ennél sokkal magasabbra menni ritkán segít a felismerésen — főleg a szkennelés méretét és az OCR lassúságát növeli.

Miben nem jó az OCR

A kézírás, a stilizált címbetűk és a zsúfolt háttéren lévő szöveg még gyenge pontok. A táblázatok különleges eset: az OCR látja a karaktereket és a pozíciójukat, de nem érti igazán a sorokat és oszlopokat — a Táblázatkinyerés mód az igazításból következtet a szerkezetre, ezért az összetett táblázatok közelítőek lesznek. Ha egy PDF már tartalmaz valódi szöveget (Wordből exportálták, nem szkennelték), nincs szükség OCR-re: a szöveg közvetlenül, pontosabban kinyerhető a PDF-exporteszközökkel.

Gyakori tévhitek

  • „A kereshető PDF pont olyan, mint a Wordből készült PDF.” Nem — a szövegréteg egyszerű felismert szöveg. Egy bekezdés kimásolásakor elveszhet az elrendezés, és minden felismerési hiba beépül a rejtett rétegbe.
  • „Az OCR visszaállítja az eredeti szöveget.” Csak a legjobb becslését állítja elő. A 99%-ban pontos oldalon is nagyjából minden 100. karakter hibás — keresésre jó, jogi vagy számszerű tartalomhoz kockázatos.
  • „A nagyobb DPI mindig jobb.” Kb. 400–600 DPI felett a pontosság javulása elhanyagolható, miközben a fájlméret és a feldolgozási idő nő. A 300 DPI a tipikus dokumentumok optimuma.
  • „A telefonfotók ugyanolyan jók, mint a szkennelések.” A ferde állás, az egyenetlen megvilágítás és a kézremegés mind rontja a pontosságot. Az oldalt laposan, szemből és jó megvilágításban érdemes fényképezni — fontos dokumentumokhoz pedig valódi szkenner javasolt.

Kapcsolódó eszközök: PDF-export (natív szövegkinyerés — digitális PDF-ekhez nincs szükség OCR-re), a PDF szerkezete (hogyan kapcsolódik a szövegréteg az oldalhoz), PDF-szerkesztés & rendezés, Átalakítás PDF-be.