OCR și recunoaștere PDF

OCR pentru PDF-uri, online, gratuit — convertește PDF-urile scanate în PDF-uri căutabile, extrage text prin OCR, creează PDF-uri căutabile din imagini. Totul rulează în browser. Mai există: Editor PDF | Securitate | Comprimare | Utilitare.
Notă de performanță: OCR descarcă ~12 MB de date pentru limbă la prima utilizare. Prelucrarea consumă mult CPU și se efectuează integral în browser. Pentru documente mari (peste 10 pagini), se pot aștepta câteva minute de prelucrare. Rezultatele depind de calitatea scanării și de limbă.
Scanare→căutabil: redă fiecare pagină PDF ca imagine, rulează OCR pentru a recunoaște textul, apoi creează un PDF nou cu un strat de text invizibil peste imaginea paginii. PDF-ul rezultat este căutabil și selectabil.
Imagine→PDF: ia una sau mai multe imagini, rulează OCR pe fiecare și creează un PDF în care fiecare imagine este o pagină, iar textul recunoscut este un strat invizibil. Ideal pentru fotografiile documentelor.
Text OCR: acceptă un fișier PDF sau imagine. Pentru PDF-uri, fiecare pagină se redă ca imagine și se rulează OCR. Afișează textul recunoscut, care poate fi copiat. Cel mai potrivit pentru extragerea textului din documente scanate.
Extragere tabel: redă pagina PDF ca imagine, rulează OCR pe ea și încearcă să identifice structurile de tabel din pozițiile textului. Rezultatele sunt aproximative — tabelele complexe pot să nu fie reconstruite perfect. Pentru tabele precise se folosesc instrumente dedicate de extragere.

Ce este OCR?

Un PDF scanat este în esență o fotografie a unei pagini: pentru calculator este o grilă de pixeli, iar nimic din ea nu este text. OCR (Optical Character Recognition) este tehnologia care analizează acei pixeli și stabilește ce caractere reprezintă. Rezultatul poate fi text simplu, care se copiază (modul Text OCR), sau un strat de text invizibil plasat peste imaginea paginii (modurile Scanare→căutabil și Imagine→PDF), iar acesta este lucrul care face un document scanat căutabil în orice vizualizator PDF.

Varianta dintr-o singură propoziție: OCR ghicește textul din forma cernelii. Este recunoaștere, nu citire — rezultatul este o estimare cu un scor de încredere, nu adevărul de referință pe care îl conține un PDF nativ, creat digital.

Etapele OCR

Fiecare motor OCR urmează aproximativ aceleași etape. Întâi pagina se redă ca imagine (pentru PDF-uri, fiecare pagină se rastrerizează). Urmează binarizarea: pixelii se împart între cerneală și hârtie, astfel încât motorul lucrează cu forme alb-negru. Formele sunt apoi segmentate în linii, cuvinte și caractere individuale. În final fiecare candidat este clasificat — motoarele moderne folosesc rețele neuronale antrenate, care analizează linii întregi de text, nu litere izolate, de aceea tratează mult mai bine intrările neclare sau ușor înclinate decât vechile comparatoare de caractere individuale. Limba contează și ea: motorul folosește dicționare și seturi de caractere specifice limbii, de aceea alegerea corectă a limbii din selectorul de mai sus îmbunătățește acuratețea.

Stratul de text invizibil

Un „PDF căutabil” este format din două straturi suprapuse: imaginea originală a paginii, care este afișată, și un strat de text invizibil, poziționat în spatele ei. Selectarea textului în vizualizator selectează de fapt acel strat ascuns. Scanarea vizibilă nu este modificată — imaginea rămâne intactă, deci calitatea și aspectul nu se schimbă niciodată. Compromisul este că rezultatele copierii și ale căutării sunt la fel de exacte ca trecerea OCR de dedesubt. Dacă un cuvânt a fost recunoscut greșit, căutarea ortografiei corecte nu îl va găsi, deoarece stratul ascuns conține greșeala.

De ce decide DPI-ul totul

Acuratețea recunoașterii depinde de câți pixeli primește fiecare caracter. Paginile PDF sunt așezate în puncte (72 pe inch), dar un caracter de 10 pt redat la rezoluție mică se reduce la câțiva pixeli — la 150 DPI un caracter de 10 pt are doar aproximativ 21 de pixeli înălțime, iar la 300 DPI aproximativ 42 de pixeli. Sub aproximativ 20 de pixeli, serifele se închid, literele se lipesc și acuratețea scade brusc. De aceea ghidul de scanare de lungă durată este 300 DPI pentru OCR: oferă fiecărui caracter mic suficient detaliu în pixeli, fără să risipească dimensiunea fișierului. Mergând mult mai sus, recunoașterea rareori se îmbunătățește — scanarea devine în principal mai mare, iar OCR-ul mai lent.

Ce nu face OCR bine

Scrisul de mână, fonturile decorative și textul peste fundaluri aglomerate rămân puncte slabe. Tabelele sunt un caz aparte: OCR vede caractere și pozițiile lor, dar nu înțelege cu adevărat rândurile și coloanele — modul Extragere tabel deduce structura din aliniere, de aceea tabelele complexe ies aproximative. Iar dacă un PDF conține deja text real (a fost exportat din Word, nu scanat), OCR nu este deloc necesar: textul se poate extrage direct, mai exact, cu instrumentele de export PDF.

Concepții greșite frecvente

  • „Un PDF căutabil este exact ca un PDF creat din Word.” Nu — stratul de text este text recunoscut simplu. Copierea unui paragraf poate pierde aspectul, iar orice eroare de recunoaștere rămâne în stratul ascuns.
  • „OCR recuperează textul original.” Îl reconstruiește ca o estimare. O pagină cu 99% acuratețe are totuși aproximativ un caracter greșit la 100 — suficient pentru căutare, riscant pentru conținut juridic sau numeric.
  • „Mai mult DPI este întotdeauna mai bun.” Peste aproximativ 400–600 DPI, câștigurile de acuratețe sunt neglijabile, în timp ce dimensiunea fișierului și timpul de procesare continuă să crească. 300 DPI este punctul optim pentru documentele obișnuite.
  • „Fotografiile făcute cu telefonul funcționează la fel de bine ca scanările.” Înclinarea, iluminarea neuniformă și tremurul camerei reduc toate acuratețea. Pagina se fotografiază plană, din față și bine luminată — sau se folosește un scanner adevărat pentru documentele importante.

Instrumente conexe: Export PDF (extragere nativă de text — OCR nu este necesar pentru PDF-urile digitale), structura PDF explicată (cum se atașează stratul de text de pagină), Editare și organizare PDF, Conversie în PDF.