OCR voor PDF's gratis online — gescande PDF's omzetten naar doorzoekbaar, tekst extraheren via OCR, doorzoekbare PDF's maken uit afbeeldingen. Alles draait in uw browser. Ook: PDF-editor | Beveiliging | Comprimeren | Hulpprogramma's.
Prestatienotitie: OCR downloadt bij het eerste gebruik ongeveer 12 MB aan taalgegevens. De verwerking is CPU-intensief en gebeurt volledig in uw browser. Voor grote documenten (meer dan 10 pagina's) moet u enkele minuten verwerkingstijd verwachten. De resultaten hangen af van de scankwaliteit en de taal.
0%
0%
0%
0%
Scan→doorzoekbaar: Rendert elke PDF-pagina als afbeelding, voert OCR uit om tekst te herkennen en maakt daarna een nieuwe PDF met een onzichtbare tekstlaag over de paginaafbeelding. De resulterende PDF is doorzoekbaar en selecteerbaar.
Afbeelding→PDF: Neemt een of meer afbeeldingen, voert OCR uit op elke afbeelding en maakt een PDF met elke afbeelding als pagina en herkende tekst als onzichtbare overlay. Perfect voor foto's van documenten.
OCR-tekst: Accepteert een PDF- of afbeeldingsbestand. Voor PDF's wordt elke pagina als afbeelding gerenderd en wordt OCR uitgevoerd. Toont herkende tekst die u kunt kopiëren. Het best geschikt voor het extraheren van tekst uit gescande documenten.
Tabelextractie: Rendert de PDF-pagina als afbeelding, voert OCR erop uit en probeert tabelstructuren te herkennen aan de tekstposities. Resultaten zijn benaderend — complexe tabellen worden mogelijk niet perfect gereconstrueerd. Gebruik voor precieze tabellen speciale extractiehulpmiddelen.
Wat is OCR?
Een gescande PDF is in wezen een foto van een pagina: voor de computer is het een raster van pixels, en er zit geen tekst in. OCR (Optical Character Recognition) is de technologie die naar die pixels kijkt en vaststelt welke tekens ze voorstellen. Het resultaat kan gewone tekst zijn die u kopieert (modus OCR-tekst) of een onzichtbare tekstlaag bovenop de paginaafbeelding (modi Scan→doorzoekbaar en Afbeelding→PDF), en dat maakt een gescand document doorzoekbaar in elke PDF-viewer.
De versie in één zin: OCR raadt tekst uit de vormen van inkt. Het is herkenning, niet lezen — de uitvoer is een best guess met een betrouwbaarheidsscore, niet de grondwaarheid die een digitaal aangemaakte, native PDF bevat.
De OCR-pijplijn
Elke OCR-engine volgt ruwweg dezelfde fasen. Eerst wordt de pagina gerenderd tot een afbeelding (voor PDF's wordt elke pagina gerasterd). Dan volgt binarisatie: pixels worden als inkt of papier geclassificeerd, zodat de engine met zwart-witvormen werkt. De vormen worden vervolgens gesegmenteerd in regels, woorden en afzonderlijke tekens. Ten slotte wordt elke kandidaat geclassificeerd — moderne engines gebruiken getrainde neurale netwerken die hele tekstregels bekijken in plaats van losse letters, waardoor ze wazige of licht scheve invoer veel beter aankunnen dan oudere matchers voor losse tekens. Ook de taal telt: de engine gebruikt taalspecifieke woordenlijsten en tekensets, en daarom verhoogt de juiste taalkeuze in de selector hierboven de nauwkeurigheid.
De onzichtbare tekstlaag
Een "doorzoekbare PDF" bestaat uit twee lagen op elkaar: de oorspronkelijke paginaafbeelding die u ziet, plus een onzichtbare tekstlaag die achter die afbeelding is geplaatst. Tekst selecteren in uw viewer selecteert eigenlijk die verborgen laag. Aan de zichtbare scan verandert niets — de afbeelding blijft onaangeroerd, dus kwaliteit en uiterlijk veranderen nooit. De keerzijde is dat kopiëren en zoekresultaten alleen zo nauwkeurig zijn als de OCR-run eronder. Als een woord verkeerd is herkend, vindt zoeken naar de juiste spelling het niet, omdat de verborgen laag de fout bevat.
Waarom DPI alles bepaalt
De herkenningsnauwkeurigheid hangt af van hoeveel pixels elk teken krijgt. PDF-pagina's worden in punten opgemaakt (72 per inch), maar een teken van 10 pt dat op lage resolutie wordt gerenderd, klapt samen tot een handvol pixels — bij 150 DPI is een teken van 10 pt slechts ongeveer 21 pixels hoog, en bij 300 DPI ongeveer 42 pixels. Onder ongeveer 20 pixels lopen schreefjes dicht, smeren letters in elkaar en daalt de nauwkeurigheid sterk. Daarom is de al lang gebruikte scanrichtlijn 300 DPI voor OCR: het geeft elk klein teken genoeg pixeldetail zonder de bestandsgrootte te verspillen. Veel hoger gaan helpt de herkenning zelden — het maakt de scan vooral groter en de OCR trager.
Waar OCR niet goed in is
Handschrift, gestileerde displaylettertypen en tekst over drukke achtergronden blijven zwakke punten. Tabellen zijn een speciaal geval: OCR ziet tekens en hun posities, maar begrijpt rijen en kolommen niet echt — de modus Tabelextractie leidt de structuur af uit uitlijning, waardoor complexe tabellen benaderend uitkomen. En als een PDF al echte tekst bevat (hij is uit Word geëxporteerd, niet gescand), hebt u helemaal geen OCR nodig: de tekst kan direct en nauwkeuriger worden geëxtraheerd met de PDF-exporthulpmiddelen.
Veelvoorkomende misverstanden
"Een doorzoekbare PDF is net als een PDF die in Word is gemaakt." Nee — de tekstlaag is gewone herkende tekst. Een alinea kopiëren kan de lay-out verliezen, en elke herkenningsfout zit ingebakken in de verborgen laag.
"OCR herstelt de oorspronkelijke tekst." Het reconstrueert een best guess daarvan. Een pagina die 99% nauwkeurig is, heeft nog steeds ongeveer één fout teken per 100 — prima voor zoeken, riskant voor juridische of numerieke inhoud.
"Meer DPI is altijd beter." Boven ongeveer 400–600 DPI zijn de nauwkeurigheidswinsten verwaarloosbaar, terwijl de bestandsgrootte en verwerkingstijd blijven stijgen. 300 DPI is het zoete punt voor typische documenten.
"Telefoonfoto's werken net zo goed als scans." Scheefstand, ongelijkmatig licht en cameratrillingen verlagen allemaal de nauwkeurigheid. Fotografeer de pagina plat, recht van voren en goed verlicht — of gebruik een echte scanner voor belangrijke documenten.
