OCR PDF online - rozpoznaj tekst ze skanu PDF

Spróbuj zaznaczyć fragment tekstu w przeglądarce PDF. Jeśli się da - plik ma warstwę tekstową i OCR nie jest potrzebny: tekst wyciągniesz szybciej i bez błędów narzędziem PDF na tekst. Jeśli zaznacza się cała strona jak obrazek - to skan i potrzebne jest rozpoznawanie znaków (OCR). Narzędzie samo sprawdza do 5 stron i ostrzega, gdy dokument ma już tekst.

Każda wybrana strona jest renderowana do obrazu w rozdzielczości 300 DPI (strona A4 to ok. 2480 × 3508 px), a następnie rozpoznawana silnikiem Tesseract (licencja Apache-2.0) z siecią neuronową LSTM dla wybranych języków. Polskie litery - ą, ć, ę, ł, ń, ó, ś, ź, ż - są rozpoznawane, gdy zaznaczony jest język polski.

Plik nie jest wysyłany na serwer. Z internetu (CDN jsDelivr) pobierany jest tylko silnik OCR (ok. 1,4 MB) oraz dane języków: polski ok. 2,6 MB, angielski ok. 2,9 MB, niemiecki ok. 1,3 MB, ukraiński ok. 2,1 MB - jednorazowo, potem z pamięci przeglądarki.

Przeszukiwalny PDF (ang. searchable PDF) wygląda dokładnie jak oryginalny skan, ale pod obrazem ma niewidoczną warstwę tekstu ułożoną w miejscach rozpoznanych słów. Dzięki temu w dokumencie działa wyszukiwanie (Ctrl+F), można zaznaczać i kopiować tekst, a systemy archiwizacji i wyszukiwarki indeksują jego treść. Wygląd stron i jakość skanu pozostają bez zmian, a plik zwykle rośnie tylko o kilkadziesiąt KB na stronę.

Opcja jest niedostępna dla plików chronionych hasłem - takie dokumenty da się odczytać i rozpoznać, ale nie zapisać ponownie w przeglądarce.

Czas zależy od komputera i liczby języków. Dla długich dokumentów wybierz zakres stron. Najlepsze wyniki dają skany 300 DPI, proste (bez przekrzywienia) i kontrastowe. Przy wyblakłym druku włącz „Popraw obraz”. Pewność poniżej 60% oznacza, że tekst wymaga dokładnej korekty. Pojedyncze zdjęcia i zrzuty ekranu rozpoznasz w narzędziu Tekst ze zdjęcia.