OCR - PDF з можливістю пошуку

Ні. Скановане зображення лишається байт у байт таким, яким було; додається лише невидимий текстовий шар над ним - та сама конструкція, яку програми для сканерів використовують для PDF з можливістю пошуку. Пошук, виділення й копіювання працюють; друк не змінюється.

Це нейронний рушій Tesseract 5 - той самий, що стоїть за більшістю OCR із відкритим кодом, - який працює як WebAssembly у вашому браузері. Чистий скан друкованого тексту з роздільністю 300 dpi розпізнається майже без помилок; перекошена, бліда чи сфотографована сторінка - гірше, тож спершу вирівняйте її інструментом Вирівняти PDF. Слова, у яких рушій не був певен, усе одно розміщуються, тож пошук їх знаходить, а інструмент повідомляє, скільки їх було.

Угорська, англійська, німецька, французька, італійська, іспанська, польська, румунська, словацька, чеська, хорватська, словенська, сербська (латиниця й кирилиця), українська, російська, болгарська, грецька, турецька, данська, шведська, норвезька, фінська, нідерландська, португальська, індонезійська, в’єтнамська, литовська, латиська, естонська, малайська, латинська, арабська, перська, іврит, китайська (спрощена й традиційна), японська, корейська та німецька фрактура для довоєнного готичного друку, у будь-якому поєднанні - двомовний договір можна читати двома мовами. Кожна мова - окреме завантаження, яке браузер потім зберігає.

Нічого не завантажується на сервер: файл відкривається й обробляється у вашому браузері та ніколи не покидає вашого пристрою. Закрийте вкладку - і його не стане. Рушій OCR і його мовні файли теж надходять із цього сайту, тож навіть вибір мови нікуди не надсилається.

За замовчуванням лише ті, що ще не мають текстового шару, бо сторінка, створена в цифровому вигляді, вже його має, а другий шар подвоїв би кожен результат пошуку. Якщо попереднє OCR спрацювало погано, перемкніться на всі сторінки - новий шар ляже під старий.

Більше, ніж будь-що інше тут: розпізнавання - це справжня робота, і кожна сторінка потребує часу навіть на швидкому комп’ютері, тож довгий скан варто запустити й залишити працювати. Перший запуск також отримує рушій розпізнавання й мовні дані (кілька мегабайтів, із цього сайту, а не з CDN); після цього браузер тримає їх у кеші, а кнопка показує, як просувається робота, сторінка за сторінкою.

Так. Перетягніть файл .docx, .xlsx чи .pptx або зображення (JPG, PNG, WebP...), і він перетвориться на PDF у вашому браузері одразу після додавання - зображення розміщується на сторінці A4, - а далі обробляється як будь-який інший PDF; нічого не завантажується на сервер. Перетворення виконує наш власний код, тож результат може трохи відрізнятися від експорту в PDF у самому Office: шрифт може бути замінено, а діаграми не переносяться. Якщо щось не вдалося перенести, список файлів показує попередження.