OCR - rendere un PDF ricercabile

No. L'immagine scansionata resta identica, byte per byte; ciò che si aggiunge è un livello di testo invisibile sopra di essa, la stessa struttura che usano i software degli scanner per un PDF ricercabile. Ricerca, selezione e copia funzionano; la stampa non cambia.

È il motore neurale di Tesseract 5, lo stesso alla base della maggior parte dell'OCR open source, eseguito come WebAssembly nel tuo browser. Una scansione pulita a 300 dpi di testo stampato esce quasi perfetta; una pagina storta, sbiadita o fotografata meno - raddrizzala prima con lo strumento Raddrizzare PDF. Le parole su cui il motore non era sicuro vengono comunque inserite, così una ricerca le trova ancora, e lo strumento dice quante erano.

Ungherese, inglese, tedesco, francese, italiano, spagnolo, polacco, rumeno, slovacco, ceco, croato, sloveno, serbo (latino e cirillico), ucraino, russo, bulgaro, greco, turco, danese, svedese, norvegese, finlandese, olandese, portoghese, indonesiano, vietnamita, lituano, lettone, estone, malese, latino, arabo, persiano, ebraico, cinese (semplificato e tradizionale), giapponese, coreano e tedesco Fraktur per la stampa gotica d'anteguerra, in qualsiasi combinazione - un contratto bilingue si può leggere con due lingue. Ogni lingua è un download separato che poi il browser conserva.

Nessun caricamento: il file viene aperto ed elaborato nel tuo browser e non lascia mai il tuo dispositivo. Chiudi la scheda e non c'è più. Anche il motore OCR e i file delle lingue arrivano da questo sito, quindi nemmeno la scelta della lingua viene inviata altrove.

Per impostazione predefinita solo quelle ancora senza livello di testo, perché una pagina nata digitale ne ha già uno e un secondo raddoppierebbe ogni risultato di ricerca. Se un OCR precedente ha lavorato male, passa a tutte le pagine - il nuovo livello va sotto quello vecchio.

Più di qualsiasi altra cosa qui - il riconoscimento è un lavoro vero, e ogni pagina richiede un momento anche su un computer veloce, quindi conviene avviare una scansione lunga e lasciarla lavorare. La prima esecuzione scarica anche il motore di riconoscimento e i dati della lingua (qualche megabyte, da questo sito e non da una CDN); dopo, il tuo browser li ha in cache, e il pulsante mostra a che punto è, pagina per pagina.

Sì. Trascina un file .docx, .xlsx o .pptx o un'immagine (JPG, PNG, WebP...) e viene convertito in PDF nel tuo browser appena arriva - un'immagine su una pagina A4 - poi trattato come qualsiasi altro PDF; nulla viene caricato. La conversione è nostra, quindi il risultato può differire leggermente dall'esportazione PDF di Office: un carattere può essere sostituito e i grafici vengono tralasciati. L'elenco dei file mostra un avviso quando qualcosa non si è potuto riportare.