PDF-OCR & gjenkjenning — skann til søkbar PDF, tekst- og tabelluttrekk
PDF-OCR & -gjenkjenning
OCR for PDF-er gratis på nett — gjør skannede PDF-er søkbare, trekk ut tekst med OCR, lag søkbare PDF-er fra bilder. Alt kjøres i nettleseren. Også: PDF-redigerer | Sikkerhet | Komprimer | Verktøy.
Ytelsesmerknad: OCR laster ned omtrent 12 MB språkdata ved første bruk. Behandlingen er CPU-krevende og skjer helt i nettleseren. For store dokumenter (over 10 sider) må man regne med flere minutter. Resultatene avhenger av skannekvalitet og språk.
0%
0%
0%
0%
Skann→søkbar: Gjengir hver PDF-side som et bilde, kjører OCR for å gjenkjenne tekst, og lager så en ny PDF med et usynlig tekstlag over sidebildet. Den resulterende PDF-en er søkbar og markerbar.
Bilde→PDF: Tar ett eller flere bilder, kjører OCR på hvert og lager en PDF der hvert bilde er en side, og gjenkjent tekst ligger som et usynlig lag over. Perfekt for fotografier av dokumenter.
OCR-tekst: Tar imot en PDF- eller bildefil. For PDF-er gjengis hver side som et bilde og OCR kjøres. Viser gjenkjent tekst som kan kopieres. Best for å trekke ut tekst fra skannede dokumenter.
Tabelluttrekk: Gjengir PDF-siden som et bilde, kjører OCR på den og forsøker å identifisere tabellstrukturer ut fra tekstposisjonene. Resultatene er omtrentlige — komplekse tabeller blir kanskje ikke helt riktig gjenskapt. For nøyaktige tabeller brukes spesialiserte uttrekksverktøy.
Hva er OCR?
En skannet PDF er i praksis et fotografi av en side: for datamaskinen er den et rutenett av piksler, og ingenting av det er tekst. OCR (optisk tegngjenkjenning) er teknologien som ser på pikslene og finner ut hvilke tegn de viser. Resultatet kan være ren tekst som kopieres ut (modusen OCR-tekst), eller et usynlig tekstlag lagt over sidebildet (Skann→søkbar og Bilde→PDF), som er det som gjør et skannet dokument søkbart i enhver PDF-leser.
Den ene linjen: OCR gjetter tekst ut fra formene i blekket. Det er gjenkjenning, ikke lesing — resultatet er en beste gjetning med en konfidenspoeng, ikke grunnsannheten som en opprinnelig, digitalt laget PDF inneholder.
OCR-prosessen
Alle OCR-motorer følger omtrent de samme trinnene. Først gjengis siden som et bilde (for PDF-er rastreres hver side). Deretter kommer binarisering: pikslene klassifiseres som blekk eller papir, slik at motoren jobber med svart-hvite former. Formene segmenteres så i linjer, ord og enkelttegn. Til slutt klassifiseres hver kandidat — moderne motorer bruker trente nevrale nettverk som ser på hele tekstlinjer i stedet for enkeltbokstaver, og derfor takler de uskarp eller litt skjev inndata langt bedre enn eldre enkelttegnsmatchere. Språket betyr også noe: motoren bruker språkspesifikke ordlister og tegnsett, og det er derfor valg av riktig språk i velgeren over gir bedre nøyaktighet.
Det usynlige tekstlaget
En "søkbar PDF" er to ting lagt oppå hverandre: det opprinnelige sidebildet som vises, pluss et usynlig tekstlag plassert bak det. Når man markerer tekst i leseren, markeres faktisk det skjulte laget. Ingenting med den synlige skanningen endres — bildet er urørt, så kvaliteten og utseendet endres aldri. Ulempen er at kopiering og søk bare er like nøyaktige som OCR-behandlingen under. Hvis et ord ble gjenkjent feil, finner ikke søk etter riktig stavemåte det, fordi det skjulte laget inneholder feilen.
Hvorfor DPI avgjør alt
Gjenkjenningsnøyaktigheten avhenger av hvor mange piksler hvert tegn får. PDF-sider er lagt ut i punkter (72 per tomme), men et tegn på 10 pt gjengitt med lav oppløsning kollapser til en håndfull piksler — ved 150 DPI er et 10 pt-tegn bare omtrent 21 piksler høyt, og ved 300 DPI omtrent 42 piksler. Under omtrent 20 piksler tetter seriffene seg igjen, bokstavene flyter sammen, og nøyaktigheten synker kraftig. Derfor er den lenge gjeldende skanneretningslinjen 300 DPI for OCR: den gir hvert lite tegn nok pikseldetaljer uten å sløse med filstørrelse. Mye høyere oppløsning hjelper sjelden gjenkjenningen — den gjør mest skanningen større og OCR-en tregere.
Det OCR ikke er god til
Håndskrift, stiliserte skrifter og tekst over travelt bakgrunnsmønster er fortsatt svake punkter. Tabeller er et spesialtilfelle: OCR ser tegn og posisjonene deres, men forstår ikke rader og kolonner ordentlig — modusen Tabelluttrekk utleder strukturen fra justeringen, og derfor blir komplekse tabeller omtrentlige. Hvis en PDF allerede inneholder ekte tekst (den er eksportert fra Word, ikke skannet), trengs ingen OCR i det hele tatt: teksten kan trekkes ut direkte, mer nøyaktig, med PDF-eksportverktøyene.
Vanlige misforståelser
"En søkbar PDF er akkurat som en PDF laget fra Word." Nei — tekstlaget er vanlig gjenkjent tekst. Når et avsnitt kopieres ut, kan oppsettet gå tapt, og alle gjenkjenningsfeil ligger innbakt i det skjulte laget.
"OCR gjenoppretter den opprinnelige teksten." Den rekonstruerer en beste gjetning av den. En side med 99 % nøyaktighet har fortsatt omtrent ett feil tegn per 100 — greit for søk, risikabelt for juridisk eller numerisk innhold.
"Mer DPI er alltid bedre." Over omtrent 400–600 DPI er gevinsten i nøyaktighet ubetydelig, mens filstørrelse og behandlingstid fortsetter å øke. 300 DPI er det rette valget for vanlige dokumenter.
"Mobilbilder fungerer like godt som skanninger." Skjevhet, ujevn belysning og kamerarist reduserer alle nøyaktigheten. Fotografer siden flatt, rett forfra og godt belyst — eller bruk en ekte skanner for viktige dokumenter.
