OCR - PDF doorzoekbaar maken

Nee. De gescande afbeelding blijft byte voor byte zoals ze was; wat wordt toegevoegd is een onzichtbare tekstlaag erboven, dezelfde constructie die scansoftware gebruikt voor een doorzoekbare PDF. Zoeken, selecteren en kopiëren werken; de afdruk blijft ongewijzigd.

Het is de neurale engine van Tesseract 5, dezelfde die achter de meeste opensource-OCR zit, als WebAssembly in je browser. Een zuivere scan van 300 dpi van gedrukte tekst komt er vrijwel foutloos uit; een scheve, vage of gefotografeerde pagina minder - zet die eerst recht met PDF rechtzetten. Woorden waarover de engine twijfelde, worden toch geplaatst, zodat een zoekopdracht ze nog vindt, en de tool zegt hoeveel het er waren.

Hongaars, Engels, Duits, Frans, Italiaans, Spaans, Pools, Roemeens, Slowaaks, Tsjechisch, Kroatisch, Sloveens, Servisch (Latijns en Cyrillisch), Oekraïens, Russisch, Bulgaars, Grieks, Turks, Deens, Zweeds, Noors, Fins, Nederlands, Portugees, Indonesisch, Vietnamees, Litouws, Lets, Estisch, Maleis, Latijn, Arabisch, Perzisch, Hebreeuws, Chinees (vereenvoudigd en traditioneel), Japans, Koreaans en Duitse Fraktur voor gotische druk van vóór de oorlog, in elke combinatie - een tweetalig contract kan met twee worden gelezen. Elke taal is een aparte download die de browser daarna bewaart.

Er wordt niets geüpload: het bestand wordt in je browser geopend en verwerkt en verlaat je apparaat nooit. Sluit het tabblad en het is weg. De OCR-engine en de taalbestanden komen ook van deze site, dus zelfs de taalkeuze wordt nergens naartoe gestuurd.

Standaard alleen die zonder tekstlaag, want een digitaal gemaakte pagina heeft er al een en een tweede zou elke zoektreffer verdubbelen. Heeft een eerdere OCR slecht werk geleverd, kies dan elke pagina - de nieuwe laag komt onder de oude.

Langer dan al het andere hier - herkenning is echt werk, en elke pagina kost even tijd, zelfs op een snelle computer, dus een lange scan kun je beter starten en laten lopen. De eerste keer worden ook de herkenningsengine en de taaldata opgehaald (een paar megabyte, van deze site en niet van een CDN); daarna heeft je browser ze in de cache, en de knop toont pagina voor pagina hoe ver het is.

Ja. Sleep een .docx-, .xlsx- of .pptx-bestand of een afbeelding (JPG, PNG, WebP...) erin en het wordt bij aankomst in je browser omgezet naar PDF - een afbeelding op een A4-pagina - en daarna behandeld als elke andere PDF; er wordt niets geüpload. De omzetting is van onszelf, dus het resultaat kan iets afwijken van de eigen PDF-export van Office: een lettertype kan worden vervangen en grafieken worden weggelaten. De bestandslijst toont een waarschuwing als iets niet kon worden overgenomen.