OCR-behandla PDF:er online gratis — konvertera skannade PDF:er till sökbara, extrahera text med OCR och skapa sökbara PDF:er från bilder. Allt körs i webbläsaren. Se även: PDF-redigeraren | Säkerhet | Komprimera | Verktyg.
Prestandanotering: OCR laddar ned cirka 12 MB språkdata vid första användningen. Bearbetningen är processorkrävande och sker helt i webbläsaren. För stora dokument (över 10 sidor) bör man räkna med flera minuters bearbetning. Resultaten beror på skanningskvaliteten och språket.
0%
0%
0%
0%
Skanning→sökbar: Renderar varje PDF-sida som en bild, kör OCR för att känna igen text och skapar sedan en ny PDF med ett osynligt textlager över sidbilden. Den resulterande PDF:en är sökbar och markerbar.
Bild→PDF: Tar en eller flera bilder, kör OCR på varje och skapar en PDF där varje bild blir en sida och den igenkända texten ligger som ett osynligt överlägg. Perfekt för foton av dokument.
OCR-text: Tar emot en PDF- eller bildfil. För PDF:er renderas varje sida som en bild och OCR körs. Visar igenkänd text som kan kopieras. Bäst för att extrahera text ur skannade dokument.
Tabellextrahering: Renderar PDF-sidan som en bild, kör OCR på den och försöker identifiera tabellstrukturer utifrån textpositionerna. Resultaten är ungefärliga — komplexa tabeller kanske inte rekonstrueras helt korrekt. För exakta tabeller, använd särskilda extraheringsverktyg.
Vad är OCR?
En skannad PDF är i grunden ett fotografi av en sida: för datorn är den ett rutnät av pixlar, och inget av det är text. OCR (optisk teckenigenkänning) är tekniken som tittar på pixlarna och avgör vilka tecken de föreställer. Resultatet kan vara vanlig text som kopieras ut (läget OCR-text) eller ett osynligt textlager placerat ovanpå sidbilden (lägena Skanning→sökbar och Bild→PDF), vilket gör ett skannat dokument sökbart i alla PDF-läsare.
Den korta versionen: OCR gissar text utifrån bläckformernas former. Det är igenkänning, inte läsning — resultatet är en kvalificerad gissning med ett konfidensvärde, inte den sanna text som en digitalt skapad, nativ PDF innehåller.
OCR-processen
Alla OCR-motorer följer ungefär samma steg. Först renderas sidan till en bild (för PDF:er rastreras varje sida). Därefter kommer binarisering: pixlar klassificeras som bläck eller papper, så motorn arbetar med svartvita former. Formerna segmenteras sedan i rader, ord och enskilda tecken. Slutligen klassificeras varje kandidat — moderna motorer använder tränade neurala nätverk som tittar på hela textrader snarare än enskilda bokstäver, vilket är varför de klarar suddiga eller lite sneda bilder mycket bättre än äldre matchningsmetoder för enskilda tecken. Språket spelar också roll: motorn använder språkspecifika ordlistor och teckenuppsättningar, vilket är varför valet av rätt språk i väljaren ovan förbättrar träffsäkerheten.
Det osynliga textlagret
En "sökbar PDF" består av två lager ovanpå varandra: den ursprungliga sidbilden som visas, plus ett osynligt textlager placerat bakom den. När man markerar text i läsaren markeras faktiskt det dolda lagret. Ingenting i den synliga skanningen ändras — bilden är orörd, så kvalitet och utseende påverkas aldrig. Avvägningen är att kopiera/klistra in och sökresultat bara är lika träffsäkra som OCR-steget under dem. Om ett ord har igenkänts fel hittar sökning efter rätt stavning inte det, eftersom det dolda lagret innehåller felet.
Varför DPI avgör allt
Igenkänningens träffsäkerhet beror på hur många pixlar varje tecken får. PDF-sidor är uppbyggda i punkter (72 per tum), men ett 10 pt-tecken renderat i låg upplösning krymper till en handfull pixlar — vid 150 DPI är ett 10 pt-tecken bara cirka 21 pixlar högt, och vid 300 DPI cirka 42 pixlar. Under ungefär 20 pixlar täpps seriferna igen, bokstäver flyter ihop och träffsäkerheten sjunker kraftigt. Därför är den långvariga skanningsriktlinjen 300 DPI för OCR: den ger varje litet tecken tillräckligt med pixeldetaljer utan att slösa filstorlek. Att gå mycket högre hjälper sällan igenkänningen — det gör mest skanningen större och OCR långsammare.
Vad OCR inte är bra på
Handskrift, stiliserade dekorfonter och text över upptagna bakgrunder är fortfarande svaga punkter. Tabeller är ett särfall: OCR ser tecken och deras positioner, men förstår inte rader och kolumner på riktigt — läget Tabellextrahering härleder strukturen utifrån justering, vilket är varför komplexa tabeller blir ungefärliga. Och om en PDF redan innehåller riktig text (den är exporterad från Word, inte skannad) behövs ingen OCR alls: texten kan extraheras direkt, mer exakt, med PDF-exportverktygen.
Vanliga missuppfattningar
"En sökbar PDF är precis som en PDF skapad i Word." Nej — textlagret är enkel igenkänd text. Om man kopierar ut ett stycke kan layouten gå förlorad, och alla igenkänningsfel ligger inbakade i det dolda lagret.
"OCR återskapar den ursprungliga texten." Den rekonstruerar en kvalificerad gissning av den. En sida med 99 % träffsäkerhet har ändå ungefär ett felaktigt tecken per 100 — bra för sökning, men riskabelt för juridiskt eller numeriskt innehåll.
"Mer DPI är alltid bättre." Över cirka 400–600 DPI blir träffsäkerhetsvinsterna försumbara medan filstorleken och bearbetningstiden fortsätter att öka. 300 DPI är en lämplig avvägning för vanliga dokument.
"Mobilfoton fungerar lika bra som skanningar." Snedhet, ojämn belysning och kameraskakningar sänker alla träffsäkerheten. Fotografera sidan plant, rakt framifrån och väl belyst — eller använd en riktig skanner för viktiga dokument.
