Cara mengenali teks di PDF hasil pindaian dengan OCR
Singkatnya: OCR tidak mengubah tampilan halaman: lapisan teks tak terlihat dipasang di atas gambar, lalu pencarian dan penyalinan bisa dipakai. Halaman yang sudah berisi teks dilewati. Mode kualitas sebenarnya adalah resolusi render: cepat 100 DPI, akurat 300.
Topik
panduan langkah demi langkah
panduan langkah demi langkah: PDF guidance for reliable document processing and quality checks.
Alat utama
Kenali teks dalam PDF hasil pindai dengan OCR
Buka alat yang ditautkan dalam artikel ini dan jalankan proses dalam bahasa yang sedang digunakan.
Buka alatDaftar isi
Pengenalan teks di PDF: apa yang terjadi pada dokumen pindaian
Dokumen hasil pindaian tampak dan terbaca seperti dokumen biasa, tetapi bagi program mana pun isinya hanyalah gambar. Anda tidak bisa mencari kata di dalamnya, tidak bisa menyalin nomor kontrak darinya, dan formulir pendaftaran yang memeriksa keberadaan teks akan menolaknya sebagai berkas kosong.
Pengenalan teks mengatasi persis masalah itu, dengan cara yang layak dipahami: tidak ada yang ditulis ulang.
Apa yang sebenarnya ditambahkan ke berkas
Gambar halaman dibiarkan utuh. Di atasnya dipasang lapisan kedua berupa teks yang diletakkan tepat di posisi huruf-huruf pada gambar, lalu dibuat tidak terlihat.
Semua sifat hasilnya berasal dari hal ini. Secara visual berkas tidak berbeda dari aslinya: kertasnya sama, capnya sama, miringnya pun sama jika ada. Namun pencarian sudah menemukan kata, klik ganda memilih satu baris, dan menyalin menghasilkan teks sungguhan.
Fakta yang sama menjelaskan mengapa pengenalan teks aman untuk dokumen yang tampilannya penting. Kontrak hasil pindaian dengan tanda tangan, setelah OCR, tetap pindaian yang sama dengan tanda tangan yang sama; hanya saja kini bisa dicari.
Halaman yang sudah berisi teks dilewati
Sebelum diproses, setiap halaman diperiksa apakah memiliki lapisan teks. Halaman yang sudah memilikinya sama sekali tidak dikenali ulang.
Ada dua konsekuensi praktis.
Dokumen campuran ditangani dengan benar tanpa usaha tambahan. Jika sebagian berkas diketik di editor dan sebagian lagi disisipkan sebagai pindaian, hanya bagian kedua yang dikenali. Teks ketikan tetap asli dan tidak diganti salinan hasil pengenalan, dan itu penting: teks asli selalu tepat, sedangkan teks hasil pengenalan mengandung kesalahan.
Menjalankan OCR pada PDF teks biasa nyaris tidak mengubah apa pun dan tidak merusak apa pun. Ini praktis ketika Anda tidak tahu apakah dokumen di depan Anda berupa pindaian: cukup proses saja dengan alat ini.
Logika yang sama menentukan lamanya pekerjaan. Waktunya tidak bergantung pada jumlah halaman dokumen, melainkan pada jumlah halaman tanpa teks. Laporan dua ratus halaman dengan lima pindaian yang disisipkan selesai dalam waktu yang dibutuhkan lima halaman.
Tiga mode kualitas adalah tiga resolusi
Pilihan kualitas hanya mengatur satu hal: resolusi saat halaman dirender sebelum dikenali.
| Mode | Resolusi | Kapan dipilih |
|---|---|---|
| Cepat | 100 DPI | Huruf besar yang jelas, pemeriksaan kasar |
| Seimbang | 150 DPI | Dokumen biasa, kontrak, sertifikat |
| Akurat | 300 DPI | Huruf kecil, catatan kaki, salinan berkualitas buruk |
Mode bawaannya adalah mode seimbang, dan ini perlu diingat. Seratus lima puluh titik per inci sudah cukup untuk judul dan teks utama, tetapi catatan kaki kecil, angka dalam tabel, dan cap tetap hasilnya lebih buruk daripada di mode akurat.
Aturannya sederhana: jika dokumen memuat sesuatu yang Anda sendiri harus menyipitkan mata untuk membacanya, pilih mode akurat. Memang lebih lambat, tetapi Anda tidak perlu mengerjakannya dua kali.
Bahasa: otomatis berarti dua bahasa sekaligus
Tersedia bahasa Inggris dan Rusia, serta mode otomatis.
Mode otomatis tidak menebak bahasa. Dokumen dikenali dalam kedua bahasa sekaligus, cocok untuk teks yang satu bahasanya banyak disisipi nama, kode, dan istilah dari bahasa lain. Harganya adalah kecepatan dan sedikit penurunan akurasi pada teks yang seragam.
Jika seluruh dokumen berbahasa tunggal, memilih bahasa tersebut memberi hasil yang sedikit lebih baik dan lebih cepat.
Bila bahasa yang dipilih tidak tersedia, pengenalan tidak gagal: proses berjalan dengan bahasa yang terpasang dan menampilkan peringatan terpisah yang menyebut bahasa yang Anda minta sekaligus bahasa yang dipakai. Peringatan ini sebaiknya dibaca, bukan ditutup begitu saja: bahasa yang diganti tanpa pemberitahuan menjelaskan hasil yang aneh lebih baik daripada dugaan apa pun.
Catatan untuk dokumen dalam bahasa lain. Aksara Latin dikenali oleh paket bahasa Inggris, tetapi tanda diakritik hilang atau rusak: teks Prancis dan Jerman tetap terbaca, hanya aksennya yang salah. Sistem tulisan selain Latin dan Kiril sama sekali tidak didukung.
Cara menjalankan pengenalan teks
1. Buka OCR PDF online dan unggah dokumen Anda. 2. Pilih bahasa. Otomatis untuk teks campuran, bahasa tertentu untuk teks yang seragam. 3. Atur mode akurat jika dokumen memuat huruf kecil. 4. Jalankan proses lalu unduh hasilnya. 5. Buka berkas dan cari kata yang Anda tahu ada di pindaian. Itulah pemeriksaan tercepat.
Deskew dan harganya
Ada sakelar terpisah yang meluruskan halaman miring sebelum pengenalan. Sakelar ini nonaktif secara bawaan, dan ada alasannya.
Peluruskan diterapkan pada salinan sementara halaman, yang menjadi bahan bacaan pengenalan, lalu lapisan teks dipasang di atas halaman asli yang tidak diluruskan. Pada pindaian yang sangat miring, hasilnya bergeser: teks tak kasatmata menjadi terputar terhadap huruf yang terlihat.
Pencarian tidak terpengaruh, kata tetap ditemukan. Yang terganggu adalah pemilihan dengan mouse: kotak seleksi jatuh jauh dari huruf, dan menyalin satu kutipan menjadi merepotkan.
Kompromi ini disengaja, karena halaman asli dibiarkan tak tersentuh. Jika kemiringannya parah, langkah yang lebih baik adalah meluruskan dokumen sebelum pengenalan, dengan Putar PDF online untuk putaran sudut siku-siku, atau dengan membuat ulang pindaian lewat Pindai ke PDF online, yang memiliki deskew sungguhan.
Yang tidak dilakukan pengenalan teks
Pengenalan tidak memperbaiki sumbernya. Foto yang buram, silau lampu yang melintasi satu baris, bayangan tangan yang menutupi separuh halaman: semuanya tetap ada, dan pengenalan pada bagian seperti itu menghasilkan teks acak atau melewatkannya.
Pengenalan tidak membaca tulisan tangan. Alat ini dibuat untuk huruf cetak.
Pengenalan tidak menghasilkan teks yang sah secara hukum. Lapisan hasil pengenalan mengandung kesalahan dan tidak bisa dianggap salinan dokumen. Lapisan itu ada untuk pencarian dan untuk sistem yang mensyaratkan lapisan teks, bukan untuk dikutip.
Dan pengenalan tidak mengembalikan resolusi. Jika pindaian sumber dibuat pada 75 titik per inci, mode akurat merendernya pada 300, tetapi tidak ada huruf tambahan yang muncul: gambar buram hanya menjadi lebih besar. Kualitas pengenalan ditentukan oleh sumbernya, bukan oleh pengaturannya.
Posisi pengenalan teks dalam rangkaian operasi
Urutan lebih penting daripada kelihatannya, dan ada satu aturan: pengenalan teks dilakukan sebelum kompresi.
Pengenalan bekerja dari gambar halaman. Kompresi lewat Kompres PDF online menurunkan mutu gambar itu: resolusinya berkurang dan muncul artefak di sekitar huruf. Urutan sebaliknya menghasilkan jauh lebih banyak kesalahan pada teks, dan sesudahnya tidak ada lagi bahan untuk memperbaikinya.
Penggabungan dan pemutaran juga dilakukan sebelum pengenalan: keduanya mengubah halaman mana yang ada dan bagaimana orientasinya, sedangkan lapisan teks terikat pada halaman tertentu.
Jika yang Anda perlukan bukan berkas dengan lapisan teks, melainkan teksnya sendiri sebagai berkas terpisah, gunakan PDF ke teks online: alat ini mengekstrak isinya ke berkas teks biasa yang dipisah per halaman.
Penulis
Ditulis oleh tim iHatePDF. Pengelola layanan: Sergey Gagin.
FAQ
Artikel lain dalam kelompok ini
panduan langkah demi langkah
Cara mengubah PDF menjadi Word yang bisa diedit
File terbuka di Word tetapi kursor tidak bisa masuk ke teks? Mengapa hasil bawaan berupa gambar, apa beda mode mengalir dan persis, dan ke mana header berulang menghilang.
panduan langkah demi langkah
Cara mengekstrak tabel dari PDF ke Excel
PDF ke Excel: lembar apa saja yang ada di buku kerja hasil unduhan, perbedaan tiga mode deteksi dalam praktik, dan mengapa mode longgar menemukan lebih banyak tabel tetapi memecah kata.
panduan langkah demi langkah
Cara Mengekstrak Halaman PDF ke File Baru
Mengambil lembar yang Anda perlukan dari PDF sebagai file terpisah: beda dua mode output, nomor halaman asli di nama file arsip, dan efek mematikan ukuran asli.
Alat terkait
Kenali teks dalam PDF hasil pindai dengan OCR
PDF hasil pindai biasanya menyimpan halaman sebagai gambar, sehingga teksnya tidak dapat dicari atau disalin. OCR menambahkan lapisan teks yang dapat dipilih dan dicari di atas halaman tersebut.
PDF ke teks online
Ekstrak teks dari PDF ke file teks biasa untuk menyalin isinya tanpa format dan tata letak.
Kompres PDF online
Perkecil ukuran PDF untuk email atau formulir unggahan. Pilih preset atau ukuran target, lalu periksa keterbacaan dan ukuran file hasilnya sebelum dibagikan.
Putar PDF online
Perbaiki orientasi halaman PDF saat hasil pindai atau halaman tertentu miring ke samping atau terbalik.
Langkah selanjutnya
Semua alat
Katalog alat PDF: gabung, kompres, pisah, konversi, putar, lindungi, dan buka kunci PDF secara online, semua secara online.
FAQ
Jawaban seputar akun iHatePDF, pemrosesan file, batas unggah, akses lewat ponsel, privasi, dan langkah saat alat PDF menampilkan galat.
Kontak
Hubungi iHatePDF soal galat pemrosesan, pemilihan alat, keamanan, pertanyaan bisnis, dan usulan fitur baru.