PDF OCR & Tanıma — Taramayı Aranabilir PDF'ye, Metin ve Tablo Ayıklamaya
PDF OCR & Tanıma
OCR PDF'leri çevrimiçi ücretsiz — taranmış PDF'leri aranabilir hâle getirin, OCR ile metin çıkarın, görüntülerden aranabilir PDF'ler oluşturun. Her şey tarayıcınızda çalışır. Ayrıca: PDF Düzenleyici | Güvenlik | Sıkıştır | Araçlar.
Performans notu: OCR ilk kullanımda yaklaşık 12 MB dil verisi indirir. İşlem CPU yoğundur ve tamamen tarayıcınızda gerçekleşir. Büyük belgeler için (10 sayfadan fazla) birkaç dakikalık işlem bekleyin. Sonuçlar tarama kalitesine ve dile bağlıdır.
0%
0%
0%
0%
Tarama→Aranabilir: Her PDF sayfasını bir görüntü olarak render eder, metni tanımak için OCR çalıştırır, ardından sayfa görüntüsünün üstünde görünmez bir metin katmanıyla yeni bir PDF oluşturur. Ortaya çıkan PDF aranabilir ve seçilebilirdir.
Görüntü→PDF: Bir ya da daha fazla görüntü alır, her birinde OCR çalıştırır ve her görüntüyü bir sayfa, tanınan metni ise görünmez bir katman olarak içeren bir PDF oluşturur. Belgelerin fotoğrafları için mükemmeldir.
OCR Metni: Bir PDF ya da görüntü dosyası kabul eder. PDF'ler için her sayfayı bir görüntü olarak render eder ve OCR çalıştırır. Kopyalayabileceğiniz tanınan metni gösterir. Taranmış belgelerden metin çıkarmak için en iyisidir.
Tablo Ayıklama: PDF sayfasını bir görüntü olarak render eder, üzerinde OCR çalıştırır ve metin konumlarından tablo yapılarını belirlemeye çalışır. Sonuçlar yaklaşıktır — karmaşık tablolar tam olarak yeniden oluşturulamayabilir. Kesin tablolar için özel ayıklama araçlarını kullanın.
OCR nedir?
Taranmış bir PDF esasen bir sayfanın fotoğrafıdır: bilgisayar için piksellerden oluşan bir ızgaradır ve hiçbiri metin değildir. OCR (Optik Karakter Tanıma), bu piksellere bakıp hangi karakterleri gösterdiklerini çözen teknolojidir. Sonuç, kopyalayabileceğiniz düz metin (OCR Metni modu) ya da sayfa görüntüsünün üstüne yerleştirilmiş görünmez bir metin katmanı (Tarama→Aranabilir ve Görüntü→PDF modları) olabilir; bu da taranmış bir belgeyi herhangi bir PDF görüntüleyicide aranabilir yapan şeydir.
Tek satırlık özet: OCR, mürekkep şekillerinden metni tahmin eder. Bu tanıma işlemidir, okuma değil — çıktı, dijital olarak oluşturulmuş yerli bir PDF'nin içerdiği gerçek metin yerine güven puanıyla birlikte en iyi tahmindir.
OCR hattı
Her OCR motoru kabaca aynı aşamaları izler. Önce sayfa bir görüntüye işlenir (PDF'ler için her sayfa rasterleştirilir). Ardından ikilileştirme gelir: pikseller mürekkep ya da kâğıt olarak sınıflandırılır, böylece motor siyah-beyaz şekillerle çalışır. Şekiller sonra satırlara, kelimelere ve tek tek karakterlere bölütlenir. Son olarak her aday sınıflandırılır — modern motorlar tek harflere değil tüm metin satırlarına bakan eğitilmiş sinir ağları kullanır; bu yüzden bulanık ya da hafif eğik girdileri eski tek karakter eşleştiricilerden çok daha iyi işlerler. Dil de önemlidir: motor dile özgü sözlükler ve karakter kümeleri kullanır; bu yüzden yukarıdaki seçicide doğru dili seçmek doğruluğu artırır.
Görünmez metin katmanı
"Aranabilir PDF" üst üste konmuş iki şeydir: gördüğünüz özgün sayfa görüntüsü ve arkasına konumlandırılmış görünmez bir metin katmanı. Görüntüleyicinizde metin seçtiğinizde aslında bu gizli katmanı seçersiniz. Görünen taramanın hiçbir şeyi değişmez — görüntü dokunulmadan kalır, bu yüzden kalite ve görünüm asla değişmez. Ödün, kopyalama/yapıştırma ve arama sonuçlarının yalnızca altındaki OCR geçişi kadar doğru olmasıdır. Bir kelime yanlış tanınmışsa, doğru yazımını aramak onu bulamaz, çünkü gizli katman hatayı içerir.
DPI neden her şeye karar verir
Tanıma doğruluğu her karaktere kaç pikselin düştüğüne bağlıdır. PDF sayfaları puan biriminde (inç başına 72) yerleştirilir, ama düşük çözünürlükte render edilen 10 pt'lik bir karakter bir avuç piksele çöker — 150 DPI'de 10 pt'lik bir karakter yalnızca yaklaşık 21 piksel yüksekliğindedir, 300 DPI'de yaklaşık 42 piksel. Yaklaşık 20 pikselin altında serifler kapanır, harfler birbirine bulaşır ve doğruluk keskin biçimde düşer. Bu yüzden köklü tarama kılavuzu OCR için 300 DPI'dir: her küçük karaktere dosya boyutunu boşa harcamadan yeterli piksel ayrıntısı verir. Çok daha yükseği nadiren tanımaya yardımcı olur — çoğunlukla taramayı büyütür ve OCR'ı yavaşlatır.
OCR'ın iyi yapamadığı şeyler
El yazısı, stilize görsel yazı tipleri ve yoğun arka planlar üzerindeki metin hâlâ zayıf noktalardır. Tablolar özel bir durumdur: OCR karakterleri ve konumlarını görür, ama satır ve sütunları gerçekten anlamaz — Tablo Ayıklama modu yapıyı hizalamadan çıkarır, bu yüzden karmaşık tablolar yaklaşık çıkar. Bir PDF zaten gerçek metin içeriyorsa (Word'den dışa aktarılmış, taranmamış), OCR'a hiç ihtiyacınız yoktur: metin, PDF dışa aktarma araçlarıyla doğrudan, daha doğru biçimde ayıklanabilir.
Yaygın yanlış anlamalar
"Aranabilir bir PDF, Word'den oluşturulmuş bir PDF gibidir." Hayır — metin katmanı düz tanınmış metindir. Bir paragrafı kopyalamak yerleşimi kaybedebilir ve her tanıma hatası gizli katmana işlenmiş olur.
"OCR özgün metni geri kazandırır." Onun en iyi tahminini yeniden oluşturur. %99 doğru bir sayfa bile her 100 karakterde yaklaşık bir yanlış karakter içerir — arama için iyidir, yasal ya da sayısal içerik için risklidir.
"Daha yüksek DPI her zaman daha iyidir." Yaklaşık 400–600 DPI'nin ötesinde doğruluk kazanımları önemsizdir, oysa dosya boyutu ve işlem süresi artmaya devam eder. 300 DPI, tipik belgeler için tatlı noktadır.
"Telefon fotoğrafları taramalar kadar iyi çalışır." Eğiklik, düzensiz aydınlatma ve kamera titremesi doğruluğu düşürür. Sayfayı düz, tam karşıdan ve iyi aydınlatılmış fotoğraflayın — ya da önemli belgeler için gerçek bir tarayıcı kullanın.
