Распознавание текста в PDF

Откройте файл в любой программе просмотра и попробуйте выделить строку текста. Если ничего не выделяется или поиск не находит совпадений, страницы это просто изображения (скан или фотография), и именно OCR добавляет недостающий текст. PDF, в котором уже есть выделяемый текст, в этом инструменте не нуждается.

В списке более 100 языковых пакетов Tesseract, от английского и испанского до арабского, хинди, японского и китайского. Отметьте все языки, которые встречаются в документе; пакеты загружаются вместе, поэтому страницы со смешанными языками распознаются за один проход. В некоторых самостоятельно размещённых развёртываниях включён более короткий список, о чём сообщается над выбором языка.

Нет. Исходные страницы копируются без изменений, а поверх рисуется невидимый текстовый слой, расположенный слово за словом в соответствии со сканом. Вы видите то же изображение, что и раньше, но теперь можете искать, выделять и копировать текст.

Высокое (288 DPI) используется по умолчанию и подходит для типичных офисных документов. Переключитесь на «Стандартное» (192 DPI), когда важна скорость или файл длинный, и используйте «Максимальное» (384 DPI) для мелкого шрифта, сносок или плохих сканов. Более высокие настройки заметно медленнее, поскольку каждая страница отображается в таком размере перед распознаванием.

Он ограничивает результат фиксированным набором символов, что уменьшает ошибки вроде распознавания строчной l как 1. Пресет «Счёт» разрешает только цифры и символы $ . , / - # :, «Только цифры» подходит для серийных номеров или показаний счётчиков, а «Свой» позволяет ввести собственный набор.

Ненадёжно. Tesseract обучен на печатном тексте, поэтому аккуратные печатные заглавные буквы иногда распознаются, а скоропись в основном даёт мусор. Лучшие результаты на чистых, хорошо освещённых печатных страницах; параметр «Бинаризация» помогает с выцветшими или малоконтрастными сканами, а Выравнивание PDF сначала выпрямляет наклонённые.

Да. Когда OCR завершится, извлечённый текст появится в поле, где его можно проверить, скопировать в буфер обмена или скачать как ocr-text.txt. Скачивание PDF с поиском выполняется отдельно, так что можно взять любое из них или оба.

Нет. Tesseract работает как WebAssembly в вашем браузере; скачиваются только движок OCR и выбранные вами языковые пакеты, при первой необходимости. Отсканированные страницы и распознанный текст остаются на вашем устройстве.