Langsung ke konten
Artikel

Cara mengenali teks di PDF hasil pindaian dengan OCR

OCR menaruh lapisan teks tak terlihat di atas gambar halaman asli. Mode kualitas bawaan, cara mode otomatis memilih bahasa, dan mengapa deskew nonaktif.

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.

13 artikel

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 alat

Daftar 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.

ModeResolusiKapan dipilih
Cepat100 DPIHuruf besar yang jelas, pemeriksaan kasar
Seimbang150 DPIDokumen biasa, kontrak, sertifikat
Akurat300 DPIHuruf 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.

Tentang proyek

FAQ

Tidak. Gambar halaman tetap seperti semula dan lapisan teks tak terlihat ditambahkan di atasnya. Secara visual berkas tidak berbeda dari aslinya, sementara pencarian dan penyalinan mulai berfungsi.
Hampir tidak ada: halaman yang sudah berisi teks dilewati tanpa diproses. Ini praktis untuk dokumen campuran, ketika sebagian halaman diketik dan sebagian lagi hasil pindaian.
Inggris dan Rusia. Mode otomatis mengenali keduanya sekaligus, cocok untuk dokumen dengan teks campuran. Jika bahasa yang dipilih tidak tersedia, pengenalan berjalan dengan bahasa yang ada dan menyampaikannya lewat peringatan terpisah.
Tidak. Alur kerja dasar bisa dipakai tanpa membuat akun.
Berkas hanya dipakai untuk operasi yang dipilih dan dihapus otomatis setelah pemrosesan selesai. Kami tidak memakai dokumen yang diunggah untuk melatih model AI.

Artikel lain dalam kelompok ini

Alat terkait

← Semua alat Optimalisasi

Langkah selanjutnya

Jika Anda membutuhkan langkah praktis berikutnya atau panduan layanan setelah membaca, buka halaman berikut.

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.