Naar de inhoud
Artikel

Tekst herkennen in een gescande PDF met OCR

Herkenning legt een onzichtbare tekstlaag over een onaangeroerde paginaafbeelding. Welke modus standaard is, wat auto met de taal doet en waarom rechtzetten uit staat.

Kort gezegd: OCR verandert niets aan het uiterlijk van een pagina: een onzichtbare tekstlaag komt over de afbeelding en zoeken en kopiëren gaan werken. Pagina's met tekst worden overgeslagen. De kwaliteitsmodus is eigenlijk een renderresolutie: snel is 100 DPI, nauwkeurig 300.

Cluster

stap-voor-stapgids

stap-voor-stapgids: PDF guidance for reliable document processing and quality checks.

Artikelen: 13

Hoofdtool

Herken tekst in een scan met OCR

Open de tool uit dit artikel en voer de bewerking uit in de huidige taal.

Tool openen

Inhoudsopgave

Tekstherkenning in een PDF: wat er met een scan gebeurt

Een gescand document ziet eruit als een document en leest als een document, maar voor elk programma is het een afbeelding. Je kunt er niet in zoeken, je kunt er geen contractnummer uit kopiëren en een aanmeldformulier dat op tekst controleert, wijst het af als leeg bestand.

Tekstherkenning lost precies dat op, en op een manier die het begrijpen waard is: er wordt niets herschreven.

Wat er echt aan het bestand wordt toegevoegd

De paginaafbeelding blijft ongemoeid. Erboven komt een tweede laag: tekst die precies staat waar de bijbehorende letters in de afbeelding zitten, en die onzichtbaar is gemaakt.

Alle eigenschappen van het resultaat volgen hieruit. Visueel is het bestand niet van het origineel te onderscheiden: hetzelfde papier, dezelfde stempels, dezelfde scheefstand als die er was. Ondertussen vindt de zoekfunctie woorden, selecteert een dubbelklik een regel en levert kopiëren echte tekst op.

Hetzelfde feit verklaart waarom herkenning veilig is voor documenten waarvan het uiterlijk telt. Een gescand contract met een handtekening is na OCR dezelfde scan met dezelfde handtekening; hij is alleen doorzoekbaar geworden.

Pagina's die al tekst bevatten, worden overgeslagen

Voor de verwerking wordt elke pagina gecontroleerd op een tekstlaag, en pagina's die er een hebben, worden helemaal niet herkend.

Daar volgen twee praktische dingen uit.

Gemengde documenten worden zonder moeite goed afgehandeld. Is een deel van het bestand in een tekstverwerker getypt en een ander deel als scan ingevoegd, dan wordt alleen dat tweede deel herkend. De getypte tekst blijft origineel in plaats van te worden vervangen door een herkende kopie, en dat is belangrijk: originele tekst is exact, herkende tekst bevat fouten.

OCR uitvoeren op een gewone tekst-PDF doet vrijwel niets en beschadigt niets. Dat is handig als je niet weet of het document voor je een scan is: haal het gewoon door de tool.

Dezelfde logica bepaalt hoe lang een taak duurt. Dat hangt niet af van het aantal pagina's in het document, maar van het aantal pagina's zonder tekst. Een rapport van tweehonderd pagina's met vijf ingevoegde scans is klaar in de tijd die vijf pagina's kosten.

De drie kwaliteitsmodi zijn drie resoluties

De kwaliteitskeuze regelt maar één ding: de resolutie waarmee een pagina wordt gerenderd voordat de herkenning begint.

ModusResolutieWanneer kiezen
Snel100 DPIGrote, duidelijke letters, een ruwe controle
Gebalanceerd150 DPIGewone documenten, contracten, certificaten
Nauwkeurig300 DPIKleine letters, voetnoten, slechte kopieën

De standaard is de gebalanceerde modus, en dat is goed om te onthouden. Honderdvijftig punten per inch volstaat voor koppen en lopende tekst, maar kleine voetnoten, cijfers in tabellen en stempels komen er nog steeds slechter uit dan in de nauwkeurige modus.

De regel is simpel: staat er iets in het document waarvoor je zelf je ogen dichtknijpt, kies dan de nauwkeurige modus. Die is trager, maar je hoeft het werk niet twee keer te doen.

Taal: auto betekent twee talen tegelijk

Beschikbaar zijn Engels en Russisch, plus een automatische modus.

De automatische modus raadt de taal niet. Hij herkent het document in beide talen tegelijk, wat past bij tekst waarin de ene taal doorspekt is met namen, codes en termen uit de andere. De prijs is snelheid en een iets lagere nauwkeurigheid bij tekst in één taal.

Is het document volledig in één taal, dan geeft het kiezen van die taal een iets beter en sneller resultaat.

Is de gekozen taal niet beschikbaar, dan mislukt de herkenning niet: ze draait met wat er geïnstalleerd is en voegt een aparte waarschuwing toe met zowel de taal die je vroeg als de taal die is gebruikt. Die waarschuwing kun je beter lezen dan wegklikken: een stilzwijgend vervangen taal verklaart een vreemd resultaat beter dan welke gok ook.

Een opmerking over documenten in andere talen. Latijns schrift wordt herkend door het Engelse taalpakket, maar diakritische tekens gaan daarbij verloren of raken verminkt: Franse en Duitse teksten komen leesbaar uit de bus, met fouten in de accenten. Andere schriften dan het Latijnse en het Cyrillische worden helemaal niet ondersteund.

Zo voer je de herkenning uit

1. Open PDF met OCR online en upload het document. 2. Kies de taal. Auto voor gemengde tekst, een specifieke taal voor tekst in één taal. 3. Stel de nauwkeurige modus in als het document kleine letters bevat. 4. Start de taak en download het resultaat. 5. Open het bestand en zoek naar een woord waarvan je weet dat het in de scan staat. Dat is de snelste controle die er is.

Scheeftrekking rechtzetten en wat dat kost

Een aparte schakelaar zet scheve pagina's recht voordat de herkenning begint. Standaard staat die uit, en daar is een reden voor.

Het rechtzetten gebeurt op een tijdelijke kopie van de pagina, en die leest de herkenning. De tekstlaag wordt daarna over de originele, niet gecorrigeerde pagina gelegd. Bij een sterk scheve scan geeft dat een verschuiving: de onzichtbare tekst staat dan gedraaid ten opzichte van de zichtbare letters.

Zoeken heeft daar geen last van, het woord wordt nog steeds gevonden. Selecteren met de muis wel: het selectiekader komt naast de letters terecht en een passage kopiëren wordt onhandig.

De afweging is bewust gemaakt, want zo blijven de originele pagina's onaangeroerd. Is de scheefstand fors, dan is het beter het document vóór de herkenning recht te zetten, met PDF roteren online voor draaiingen in rechte hoeken of door de scan opnieuw op te bouwen via Scannen naar PDF online, dat echt kan rechtzetten.

Wat herkenning niet doet

Ze verbetert de bron niet. Een wazige foto, lampglans over een regel, de schaduw van een hand over de halve pagina: het blijft allemaal, en herkenning over zo'n plek levert wartaal op of slaat hem over.

Ze leest geen handschrift. De tool is gemaakt voor gedrukte letters.

Ze levert geen juridisch bruikbare tekst. De herkende laag bevat fouten en kan niet dienen als kopie van het document. Ze is er voor zoeken en voor systemen die een tekstlaag eisen, niet om uit te citeren.

En ze herstelt de resolutie niet. Is de oorspronkelijke scan gemaakt met 75 punten per inch, dan rendert de nauwkeurige modus hem op 300, maar er verschijnen geen extra letters: een wazig beeld wordt gewoon groter. De kwaliteit van de herkenning wordt bepaald door de bron, niet door de instelling.

Waar herkenning thuishoort in een reeks bewerkingen

De volgorde doet meer ertoe dan het lijkt, en er is één regel: herkenning gaat vóór compressie.

Herkenning werkt vanuit de paginaafbeelding. Comprimeren met PDF comprimeren online verslechtert die afbeelding: de resolutie gaat omlaag en rond de letters komen artefacten. In omgekeerde volgorde krijg je merkbaar meer fouten in de tekst, en daarna is er niets meer waarmee je ze kunt herstellen.

Samenvoegen en roteren horen ook vóór de herkenning: ze bepalen welke pagina's er zijn en hoe ze staan, en de tekstlaag is aan een specifieke pagina gebonden.

Heb je niet een bestand met een tekstlaag nodig maar de tekst zelf als apart bestand, dan is er PDF naar tekst online: die haalt de inhoud eruit in een gewoon tekstbestand, verdeeld per pagina.

Auteur

Opgesteld door het serviceteam; Sergey Gagin is verantwoordelijk voor de dienst

Over het project

Veelgestelde vragen

Nee. De paginaafbeelding blijft zoals ze was en er komt een onzichtbare tekstlaag overheen. Visueel is het bestand niet van het origineel te onderscheiden, terwijl zoeken en kopiëren gaan werken.
Vrijwel niets: pagina's die al tekst bevatten, worden zonder verwerking overgeslagen. Dat is handig bij gemengde documenten waarin sommige pagina's getypt en andere gescand zijn.
Engels en Russisch. De automatische modus herkent beide tegelijk, wat past bij documenten met gemengde tekst. Is een gekozen taal niet beschikbaar, dan draait de herkenning met de taal die er wel is en meldt dat in een aparte waarschuwing.
Nee. De basisfunctionaliteit is beschikbaar zonder account aan te maken.
Bestanden worden alleen gebruikt voor de gekozen bewerking en na afloop van de verwerking automatisch verwijderd. We gebruiken geüploade documenten niet om AI-modellen te trainen.

Meer uit dit cluster

Verwante tools

← Alle tools in Optimaliseren

Wat nu?

Heb je na het lezen een praktische vervolgstap of uitleg over de dienst nodig, open dan deze pagina's.

Alle tools

Catalogus met PDF-tools: voeg PDF's samen, comprimeer, splits, converteer, roteer, beveilig en ontgrendel ze online, online.

Veelgestelde vragen

Antwoorden over iHatePDF-accounts, bestandsverwerking, uploadlimieten, mobiel gebruik, privacy en wat je doet als een pdf-tool een foutmelding geeft.

Contact

Neem contact op met iHatePDF over verwerkingsfouten, het kiezen van een tool, beveiliging, zakelijke vragen en suggesties voor nieuwe functies.