OCR a rozpoznávanie PDF

OCR PDF online zadarmo — konverzia naskenovaných PDF na prehľadávateľné, extrakcia textu cez OCR, vytváranie prehľadávateľných PDF z obrázkov. Všetko beží v prehliadači. Tiež: Editor PDF | Zabezpečenie | Kompresia | Nástroje.
Poznámka k výkonu: OCR pri prvom použití stiahne približne 12 MB jazykových údajov. Spracovanie je náročné na procesor a prebieha celé v prehliadači. Pri veľkých dokumentoch (>10 strán) počíta sa s niekoľkými minútami spracovania. Výsledky závisia od kvality skenu a jazyka.
Sken→prehľadávateľné: Vykreslí každú stranu PDF ako obrázok, spustí OCR na rozpoznanie textu a potom vytvorí nové PDF s neviditeľnou textovou vrstvou nad obrázkom strany. Výsledné PDF sa dá prehľadávať a označovať.
Obrázok→PDF: Vezme jeden alebo viac obrázkov, spustí OCR na každý z nich a vytvorí PDF, kde je každý obrázok stranou a rozpoznaný text je neviditeľným prekrytím. Ideálne pre fotky dokumentov.
OCR text: Prijíma súbor PDF alebo obrázok. Pri PDF vykreslí každú stranu ako obrázok a spustí OCR. Zobrazí rozpoznaný text, ktorý sa dá kopírovať. Najlepšie na extrakciu textu z naskenovaných dokumentov.
Extrakcia tabuliek: Vykreslí stranu PDF ako obrázok, spustí na ňu OCR a pokúsi sa identifikovať štruktúry tabuliek z polôh textu. Výsledky sú približné — zložité tabuľky nemusia byť dokonale rekonštruované. Pre presné tabuľky sa použijú špecializované nástroje na extrakciu.

Čo je OCR?

Naskenované PDF je v podstate fotografia strany: pre počítač je to mriežka pixelov a nič z toho nie je text. OCR (optické rozpoznávanie znakov) je technológia, ktorá sa pozrie na tieto pixely a zistí, aké znaky zobrazujú. Výsledkom môže byť obyčajný text, ktorý sa skopíruje (režim OCR text), alebo neviditeľná textová vrstva položená na obrázok strany (režimy Sken→prehľadávateľné a Obrázok→PDF), čo je to, čo umožní vyhľadávanie v naskenovanom dokumente v akomkoľvek prehliadači PDF.

Verzia na jeden riadok: OCR odhaduje text z tvarov atramentu. Je to rozpoznávanie, nie čítanie — výstup je najlepší odhad s hodnotou istoty, nie základná pravda, ktorú obsahuje natívne digitálne vytvorené PDF.

Postup OCR

Každý OCR engine nasleduje zhruba tie isté fázy. Najprv sa strana vykreslí do obrázka (pri PDF sa každá strana rastrizuje). Potom nasleduje binarizácia: pixely sa klasifikujú ako atrament alebo papier, takže engine pracuje s čiernobielymi tvarmi. Tvary sa potom segmentujú na riadky, slová a jednotlivé znaky. Nakoniec sa každý kandidát klasifikuje — moderné enginy používajú trénované neurónové siete, ktoré sa pozerajú na celé textové riadky namiesto jednotlivých písmen, preto zvládajú rozmazaný alebo mierne skosený vstup oveľa lepšie než staršie porovnávače jednotlivých znakov. Záleží aj na jazyku: engine používa slovníky a sady znakov pre konkrétny jazyk, preto výber správneho jazyka vo výbere vyššie zvyšuje presnosť.

Neviditeľná textová vrstva

„Prehľadávateľné PDF“ sú dve veci naskladané na sebe: pôvodný obrázok strany, ktorý sa zobrazuje, plus neviditeľná textová vrstva umiestnená za ním. Označením textu v prehliadači sa v skutočnosti označí táto skrytá vrstva. Viditeľný sken sa nijako nemení — obrázok zostáva nedotknutý, takže kvalita a vzhľad sa nikdy nezmení. Kompromisom je, že kopírovanie a vyhľadávanie sú presné len do takej miery, ako presný je OCR pod nimi. Ak bolo slovo rozpoznané nesprávne, vyhľadanie správneho pravopisu ho nenájde, pretože skrytá vrstva obsahuje chybu.

Prečo DPI rozhoduje o všetkom

Presnosť rozpoznávania závisí od toho, koľko pixelov dostane každý znak. Strany PDF sú rozložené v bodoch (72 na palec), ale 10 pt znak vykreslený pri nízkom rozlíšení sa zrúti do hŕstky pixelov — pri 150 DPI má 10 pt znak len asi 21 pixelov na výšku a pri 300 DPI asi 42 pixelov. Pod približne 20 pixelmi sa serify zatvárajú, písmená sa rozmazávajú a presnosť prudko klesá. Preto je dlhodobé odporúčanie pre skenovanie 300 DPI pre OCR: každému malému znaku poskytne dostatok detailov bez zbytočnej veľkosti súboru. Ísť výrazne vyššie na rozpoznávanie zriedka pomôže — hlavne zväčší sken a spomalí OCR.

V čom OCR nie je dobré

Rukopis, štylizované dekoračné písma a text na rušivom pozadí sú stále slabé miesta. Tabuľky sú osobitný prípad: OCR vidí znaky a ich polohy, ale skutočne nerozumie riadkom a stĺpcom — režim Extrakcia tabuliek odvodzuje štruktúru zo zarovnania, preto sú zložité tabuľky len približné. A ak PDF už obsahuje skutočný text (bol exportovaný z Wordu, nie naskenovaný), OCR netreba vôbec: text sa dá extrahovať priamo, presnejšie, pomocou nástrojov na export PDF.

Časté omyly

  • „Prehľadávateľné PDF je presne ako PDF vytvorené z Wordu.“ Nie — textová vrstva je obyčajný rozpoznaný text. Skopírovaním odseku sa môže stratiť rozloženie a každá chyba rozpoznávania je zapečená do skrytej vrstvy.
  • „OCR obnoví pôvodný text.“ Rekonštruuje jeho najlepší odhad. Strana s 99 % presnosťou má stále asi jeden chybný znak na 100 — v poriadku na vyhľadávanie, riskantné pre právny alebo číselný obsah.
  • „Vyššie DPI je vždy lepšie.“ Nad približne 400–600 DPI sú prírastky presnosti zanedbateľné, zatiaľ čo veľkosť súboru a čas spracovania neustále rastú. 300 DPI je optimum pre typické dokumenty.
  • „Fotky z telefónu fungujú rovnako dobre ako skeny.“ Šikmosť, nerovnomerné osvetlenie a chvenie kamery znižujú presnosť. Odporúča sa fotiť stranu naplocho, zpredu a pri dobrom osvetlení — pri dôležitých dokumentoch je vhodnejší skutočný skener.

Súvisiace nástroje: Export PDF (natívna extrakcia textu — pre digitálne PDF nie je potrebný OCR), vysvetlenie štruktúry PDF (ako sa textová vrstva pripája k strane), Úprava a usporiadanie PDF, Konverzia do PDF.