OCR PDF i rozpoznawanie

OCR PDF online za darmo — konwertuj skany PDF do przeszukiwalnych, wyodrębniaj tekst przez OCR, twórz przeszukiwalne PDF z obrazów. Wszystko działa w przeglądarce. Także: Edytor PDF | Zabezpieczenia | Kompresja | Narzędzia.
Uwaga o wydajności: OCR pobiera ok. 12 MB danych językowych przy pierwszym użyciu. Przetwarzanie jest intensywne obliczeniowo i odbywa się całkowicie w przeglądarce. Przy dużych dokumentach (>10 stron) przetwarzanie może potrwać kilka minut. Wyniki zależą od jakości skanu i języka.
Skan→Przeszukiwalny: Renderuje każdą stronę PDF jako obraz, wykonuje OCR, by rozpoznać tekst, a następnie tworzy nowy PDF z niewidoczną warstwą tekstową nad obrazem strony. Wynikowy PDF jest przeszukiwalny i zaznaczalny.
Obraz→PDF: Przyjmuje jeden lub więcej obrazów, wykonuje OCR na każdym i tworzy PDF, w którym każdy obraz jest stroną, a rozpoznany tekst jest niewidocznym nałożeniem. Idealne do zdjęć dokumentów.
Tekst OCR: Przyjmuje plik PDF lub obraz. W przypadku PDF renderuje każdą stronę jako obraz i wykonuje OCR. Wyświetla rozpoznany tekst, który można skopiować. Najlepsze do wyodrębniania tekstu ze zeskanowanych dokumentów.
Wyodrębnianie tabel: Renderuje stronę PDF jako obraz, wykonuje na niej OCR i próbuje zidentyfikować struktury tabel na podstawie pozycji tekstu. Wyniki są przybliżone — złożone tabele mogą nie zostać odtworzone idealnie. Do precyzyjnych tabel użyj dedykowanych narzędzi do wyodrębniania.

Czym jest OCR?

Zeskanowany PDF to w istocie zdjęcie strony: dla komputera to siatka pikseli, z których żaden nie jest tekstem. OCR (optyczne rozpoznawanie znaków) to technika, która analizuje te piksele i ustala, jakie znaki przedstawiają. Wynikiem może być zwykły tekst do skopiowania (tryb Tekst OCR) albo niewidoczna warstwa tekstowa nałożona na obraz strony (tryby Skan→Przeszukiwalny i Obraz→PDF), dzięki której zeskanowany dokument jest przeszukiwalny w każdej przeglądarce PDF.

Wersja jednozdaniowa: OCR zgaduje tekst na podstawie kształtów atramentu. To rozpoznawanie, a nie czytanie — wynik jest najlepszym przypuszczeniem z oceną pewności, a nie prawdziwym tekstem, jaki zawiera natywny PDF utworzony cyfrowo.

Etapy OCR

Każdy silnik OCR przechodzi mniej więcej przez te same etapy. Najpierw strona jest renderowana do obrazu (w PDF każda strona jest rastrowana). Potem następuje binaryzacja: piksele są klasyfikowane jako atrament lub papier, więc silnik pracuje na czarno-białych kształtach. Kształty są następnie segmentowane na wiersze, słowa i pojedyncze znaki. Na koniec każdy kandydat jest klasyfikowany — nowoczesne silniki używają wytrenowanych sieci neuronowych, które analizują całe wiersze tekstu, a nie pojedyncze litery, dlatego znacznie lepiej radzą sobie z rozmazanym lub lekko przekrzywionym wejściem niż dawne dopasowania pojedynczych znaków. Liczy się też język: silnik korzysta ze słowników i zestawów znaków właściwych dla danego języka, dlatego wybór właściwego języka w selektorze powyżej poprawia dokładność.

Niewidoczna warstwa tekstowa

"Przeszukiwalny PDF" to dwie warstwy nałożone na siebie: oryginalny obraz strony, który widać, oraz niewidoczna warstwa tekstowa umieszczona za nim. Zaznaczanie tekstu w przeglądarce faktycznie zaznacza tę ukrytą warstwę. Widoczny skan nie ulega zmianie — obraz pozostaje nietknięty, więc jakość i wygląd się nie zmieniają. Kompromis polega na tym, że kopiowanie i wyniki wyszukiwania są tak dokładne, jak przebieg OCR pod spodem. Jeśli słowo zostało błędnie rozpoznane, wyszukiwanie poprawnej pisowni go nie znajdzie, bo ukryta warstwa zawiera błąd.

Dlaczego DPI decyduje o wszystkim

Dokładność rozpoznawania zależy od liczby pikseli przypadających na każdy znak. Strony PDF są układane w punktach (72 na cal), ale znak o wielkości 10 pt wyrenderowany w niskiej rozdzielczości zamienia się w garstkę pikseli — przy 150 DPI znak 10 pt ma tylko ok. 21 pikseli wysokości, a przy 300 DPI ok. 42 piksele. Poniżej mniej więcej 20 pikseli szeryfy się zlewają, litery się rozmazują i dokładność gwałtownie spada. Dlatego od dawna obowiązuje wytyczna skanowania: 300 DPI dla OCR — daje każdemu małemu znakowi dość szczegółów bez marnowania rozmiaru pliku. Dużo wyższa rozdzielczość rzadko pomaga w rozpoznawaniu — głównie powiększa skan i spowalnia OCR.

W czym OCR nie jest dobry

Pismo odręczne, ozdobne kroje pisma i tekst na zaszumionym tle nadal są słabymi punktami. Tabele to osobny przypadek: OCR widzi znaki i ich położenie, ale nie rozumie naprawdę wierszy i kolumn — tryb Wyodrębnianie tabel wnioskuje strukturę z wyrównania, dlatego złożone tabele wychodzą przybliżone. A jeśli PDF już zawiera prawdziwy tekst (został wyeksportowany z Worda, a nie zeskanowany), OCR w ogóle nie jest potrzebny: tekst można wyodrębnić bezpośrednio, dokładniej, narzędziami eksportu PDF.

Typowe nieporozumienia

  • "Przeszukiwalny PDF to dokładnie to samo, co PDF utworzony w Wordzie." Nie — warstwa tekstowa to zwykły rozpoznany tekst. Skopiowanie akapitu może zgubić układ, a każdy błąd rozpoznawania jest wbudowany w ukrytą warstwę.
  • "OCR odtwarza oryginalny tekst." Odbudowuje jego najlepsze przypuszczenie. Strona rozpoznana w 99% nadal ma mniej więcej jeden błędny znak na 100 — wystarczy do wyszukiwania, ale ryzykowne przy treściach prawnych lub liczbowych.
  • "Im wyższe DPI, tym zawsze lepiej." Powyżej ok. 400–600 DPI zysk dokładności jest znikomy, a rozmiar pliku i czas przetwarzania nadal rosną. 300 DPI to optymalny wybór dla typowych dokumentów.
  • "Zdjęcia telefonem działają tak samo dobrze jak skany." Przekrzywienie, nierówne oświetlenie i drgania aparatu obniżają dokładność. Fotografuj stronę płasko, prosto i w dobrym świetle — albo użyj prawdziwego skanera przy ważnych dokumentach.

Powiązane narzędzia: Eksport PDF (natywne wyodrębnianie tekstu — bez OCR dla cyfrowych PDF), Budowa PDF wyjaśniona (jak warstwa tekstowa jest przypisana do strony), Edycja i porządkowanie PDF, Konwersja do PDF.