OCR - PDF su teksto paieška

Ne. Skenuotas vaizdas lieka toks pat iki paskutinio baito; pridedamas tik nematomas teksto sluoksnis virš jo - tokia pati konstrukcija, kokią skenerių programos naudoja PDF su teksto paieška. Paieška, žymėjimas ir kopijavimas veikia; spaudinys nepasikeičia.

Tai Tesseract 5 neuroninis variklis - tas pats, kuriuo remiasi dauguma atvirojo kodo OCR - veikiantis jūsų naršyklėje kaip WebAssembly. Švari 300 dpi spausdinto teksto skenuotė atpažįstama beveik be klaidų; kreivas, blankus ar nufotografuotas puslapis - prasčiau, todėl pirmiausia jį ištiesinkite įrankiu Ištiesinti PDF. Žodžiai, dėl kurių variklis nebuvo tikras, vis tiek įdedami, todėl paieška juos randa, o įrankis nurodo, kiek jų buvo.

Vengrų, anglų, vokiečių, prancūzų, italų, ispanų, lenkų, rumunų, slovakų, čekų, kroatų, slovėnų, serbų (lotyniška ir kirilica), ukrainiečių, rusų, bulgarų, graikų, turkų, danų, švedų, norvegų, suomių, nyderlandų, portugalų, indoneziečių, vietnamiečių, lietuvių, latvių, estų, malajų, lotynų, arabų, persų, hebrajų, kinų (supaprastinta ir tradicinė), japonų, korėjiečių ir vokiečių gotikinis šriftas (Fraktur) prieškarinei spaudai, bet kokiu deriniu - dvikalbę sutartį galima skaityti dviem kalbomis. Kiekviena kalba yra atskiras atsisiuntimas, kurį naršyklė vėliau išsaugo.

Niekas neįkeliama: failas atidaromas ir apdorojamas jūsų naršyklėje ir niekada nepalieka jūsų įrenginio. Uždarykite skirtuką - ir jo nebeliks. OCR variklis ir jo kalbų failai taip pat gaunami iš šios svetainės, todėl niekur nesiunčiamas net kalbos pasirinkimas.

Pagal numatytuosius nustatymus - tik tuos, kurie dar neturi teksto sluoksnio, nes skaitmeniniu būdu sukurtas puslapis jį jau turi, o antrasis padvigubintų kiekvieną paieškos rezultatą. Jei ankstesnis OCR buvo prastas, perjunkite į visus puslapius - naujas sluoksnis atsiduria po senuoju.

Ilgiau nei bet kas kita čia - atpažinimas yra tikras darbas, ir kiekvienas puslapis užtrunka akimirką net greitame kompiuteryje, todėl ilgą skenuotę verta paleisti ir palikti. Pirmą kartą taip pat atsisiunčiamas atpažinimo variklis ir kalbų duomenys (keli megabaitai, iš šios svetainės, o ne iš CDN); vėliau naršyklė juos laiko talpykloje, o mygtukas rodo, kiek jau atlikta, puslapis po puslapio.

Taip. Įmeskite .docx, .xlsx ar .pptx failą arba vaizdą (JPG, PNG, WebP...), ir jis, vos atsiradęs, jūsų naršyklėje paverčiamas PDF - vaizdas perkeliamas į A4 puslapį - o tada apdorojamas kaip bet kuris kitas PDF; niekas neįkeliama. Konvertavimą atliekame patys, todėl rezultatas gali šiek tiek skirtis nuo paties Office PDF eksporto: šriftas gali būti pakeistas, o diagramos praleidžiamos. Failų sąraše rodomas įspėjimas, jei kažko nepavyko perkelti.