Przejdź do treści
Artykuł

Jak rozpoznać tekst w zeskanowanym PDF za pomocą OCR

OCR dodaje niewidoczną warstwę tekstu nad nietkniętym obrazem. Jaki tryb jakości jest domyślny, co robi auto z językiem i czemu prostowanie jest wyłączone.

W skrócie: OCR nie zmienia wyglądu strony: nad obrazem pojawia się niewidoczna warstwa tekstu i zaczynają działać wyszukiwanie oraz kopiowanie. Strony z tekstem są pomijane. Tryb jakości to w istocie rozdzielczość renderowania: szybki daje 100 DPI, dokładny 300.

Grupa

instrukcja krok po kroku

instrukcja krok po kroku: PDF guidance for reliable document processing and quality checks.

Artykuły: 13

Główne narzędzie

Rozpoznawanie tekstu w PDF (OCR) online

Otwórz narzędzie opisane w tym artykule i wykonaj zadanie w bieżącym języku.

Otwórz narzędzie

Spis treści

Rozpoznawanie tekstu w PDF: co dzieje się ze skanem

Zeskanowany dokument wygląda jak dokument i da się go czytać jak dokument, ale dla każdego programu jest tylko obrazem. Nie wyszukasz w nim słowa, nie skopiujesz numeru umowy, a formularz, który sprawdza obecność tekstu, odrzuci go jako pusty plik.

Rozpoznawanie rozwiązuje dokładnie ten problem i robi to w sposób, który warto zrozumieć: niczego nie przepisuje.

Co faktycznie trafia do pliku

Obraz strony pozostaje nietknięty. Nad nim dodawana jest druga warstwa: tekst umieszczony tam, gdzie na obrazie znajdują się odpowiadające mu litery, i niewidoczny.

Z tego wynikają wszystkie właściwości efektu. Wizualnie plik nie różni się od oryginału: ten sam papier, te same pieczęcie, ten sam przechył, jeśli był. Jednocześnie wyszukiwarka znajduje słowa, dwukrotne kliknięcie zaznacza wiersz, a kopiowanie daje prawdziwy tekst.

Ten sam fakt tłumaczy, dlaczego rozpoznawanie jest bezpieczne dla dokumentów, w których liczy się wygląd. Zeskanowana umowa z podpisem po OCR to wciąż ten sam skan z tym samym podpisem, tyle że można w nim szukać.

Strony z tekstem są pomijane

Przed przetwarzaniem każda strona jest sprawdzana pod kątem warstwy tekstowej, a strony, które ją mają, w ogóle nie są rozpoznawane.

Wynikają z tego dwie praktyczne konsekwencje.

Dokumenty mieszane są obsługiwane poprawnie bez żadnego wysiłku. Jeśli część pliku została napisana w edytorze, a część wklejona jako skan, rozpoznawana jest tylko ta druga. Wpisany tekst pozostaje oryginalny i nie jest zastępowany rozpoznaną kopią, a to ma znaczenie: tekst oryginalny jest dokładny, rozpoznany zawiera błędy.

Uruchomienie OCR na zwykłym tekstowym PDF-ie prawie nic nie zmienia i niczego nie psuje. To wygodne, gdy nie wiadomo, czy dokument jest skanem: wystarczy po prostu przepuścić go przez narzędzie.

Ta sama zasada decyduje o czasie pracy. Zależy on nie od liczby stron w dokumencie, lecz od liczby stron bez tekstu. Dwustustronicowy raport z pięcioma wklejonymi skanami jest przetwarzany tak długo, jak pięć stron.

Trzy tryby jakości to trzy rozdzielczości

Wybór jakości ustawia tylko jedno: rozdzielczość, w jakiej strona jest renderowana przed rozpoznaniem.

TrybRozdzielczośćKiedy wybrać
Szybki100 DPIDuży, wyraźny druk, wstępne sprawdzenie
Zrównoważony150 DPIZwykłe dokumenty, umowy, zaświadczenia
Dokładny300 DPIDrobny druk, przypisy, słabe kopie

Domyślny jest tryb zrównoważony i warto o tym pamiętać. Sto pięćdziesiąt punktów na cal wystarcza dla nagłówków i tekstu zasadniczego, ale drobne przypisy, liczby w tabelach i pieczęcie wychodzą gorzej niż w trybie dokładnym.

Zasada jest prosta: jeśli w dokumencie jest coś, w co sam musisz się wpatrywać, wybierz tryb dokładny. Działa wolniej, ale oszczędza ponownego wykonywania całej pracy.

Język: auto oznacza dwa języki naraz

Dostępne są angielski i rosyjski oraz tryb automatyczny.

Tryb automatyczny nie zgaduje języka. Rozpoznaje dokument w obu językach jednocześnie, co sprawdza się w tekście, w którym jeden język jest przetykany nazwami, kodami i terminami z drugiego. Kosztem jest szybkość i niewielki spadek dokładności przy tekście jednolitym.

Jeśli dokument jest w całości w jednym języku, wybranie właśnie tego języka daje nieco lepszy i szybszy wynik.

Gdy wybrany język jest niedostępny, rozpoznawanie nie kończy się błędem: działa na tym, co jest zainstalowane, i dołącza osobne ostrzeżenie z nazwą zarówno języka, o który prosiłeś, jak i zastosowanego. To ostrzeżenie warto przeczytać, a nie zamykać: po cichu podmieniony język wyjaśnia dziwny wynik lepiej niż jakiekolwiek zgadywanie.

Uwaga o dokumentach w innych językach. Pismo łacińskie jest rozpoznawane przez pakiet angielski, ale znaki diakrytyczne giną lub ulegają zniekształceniu: teksty francuskie i niemieckie wychodzą czytelne, z błędami w akcentach. Systemy pisma inne niż łacina i cyrylica nie są obsługiwane w ogóle.

Jak uruchomić rozpoznawanie

1. Otwórz OCR plików PDF online i wgraj dokument. 2. Wybierz język. Auto dla tekstu mieszanego, konkretny język dla tekstu jednolitego. 3. Ustaw tryb dokładny, jeśli dokument zawiera drobny druk. 4. Uruchom zadanie i pobierz wynik. 5. Otwórz plik i wyszukaj słowo, które na pewno jest na skanie. To najszybsza możliwa kontrola.

Prostowanie przechylenia i jego cena

Osobny przełącznik prostuje przechylone strony przed rozpoznaniem. Jest domyślnie wyłączony i ma to swoje powody.

Prostowanie jest stosowane do tymczasowej kopii strony, którą czyta rozpoznawanie, a warstwa tekstowa jest potem nakładana na oryginalną, nieskorygowaną stronę. Na mocno przechylonym skanie powoduje to przesunięcie: niewidoczny tekst jest obrócony względem widocznych liter.

Wyszukiwanie na tym nie cierpi, słowo nadal się znajduje. Cierpi zaznaczanie myszą: ramka zaznaczenia ląduje obok liter, a skopiowanie fragmentu staje się uciążliwe.

Ten kompromis jest zamierzony, bo oryginalne strony pozostają nietknięte. Jeśli przechylenie jest duże, lepiej wyprostować dokument przed rozpoznawaniem: za pomocą Obróć PDF online przy obrotach o kąt prosty albo odbudowując skan w Skanuj do PDF online, które ma prawdziwe prostowanie.

Czego rozpoznawanie nie robi

Nie poprawia źródła. Rozmazane zdjęcie, odblask lampy na wierszu, cień dłoni na połowie strony: wszystko to zostaje, a rozpoznawanie w takim miejscu daje bezsensowny tekst albo je pomija.

Nie czyta pisma odręcznego. Narzędzie jest przeznaczone do druku.

Nie tworzy tekstu o znaczeniu prawnym. Rozpoznana warstwa zawiera błędy i nie może służyć jako kopia dokumentu. Służy do wyszukiwania i do systemów wymagających warstwy tekstowej, a nie do cytowania.

I nie przywraca rozdzielczości. Jeśli oryginalny skan wykonano w 75 punktach na cal, tryb dokładny wyrenderuje go w 300, ale nowe litery się nie pojawią: rozmazany obraz po prostu się powiększy. Jakość rozpoznawania zależy od źródła, a nie od ustawienia.

Miejsce rozpoznawania w łańcuchu operacji

Kolejność ma większe znaczenie, niż się wydaje, i obowiązuje jedna reguła: rozpoznawanie idzie przed kompresją.

Rozpoznawanie pracuje na obrazie strony. Kompresja przez Kompresuj PDF online pogarsza ten obraz: obniża rozdzielczość i dodaje artefakty wokół liter. Odwrotna kolejność daje wyraźnie więcej błędów w tekście, a potem nie ma już czym ich naprawić.

Łączenie i obracanie też należą przed rozpoznawanie: zmieniają, jakie strony istnieją i jak są zorientowane, a warstwa tekstowa jest powiązana z konkretną stroną.

Jeśli potrzebny jest nie plik z warstwą tekstową, lecz sam tekst jako osobny plik, służy do tego PDF na tekst online: wyodrębnia zawartość do zwykłego pliku tekstowego, podzielonego na strony.

Autor

Autor: zespół iHatePDF. Za działanie serwisu odpowiada Sergey Gagin.

O projekcie

FAQ

Nie. Obraz strony pozostaje taki, jaki był, a nad nim dodawana jest niewidoczna warstwa tekstu. Wizualnie plik nie różni się od oryginału, za to zaczynają działać wyszukiwanie i kopiowanie.
Praktycznie nic: strony, które już zawierają tekst, są pomijane bez przetwarzania. To wygodne przy dokumentach mieszanych, w których część stron jest pisana, a część zeskanowana.
Angielski i rosyjski. Tryb automatyczny rozpoznaje oba naraz, co pasuje do dokumentów z tekstem mieszanym. Jeśli wybrany język jest niedostępny, rozpoznawanie działa na dostępnym i informuje o tym w osobnym ostrzeżeniu.
Nie. Podstawowy przepływ pracy jest dostępny bez zakładania konta.
Pliki służą wyłącznie do wybranej operacji i są automatycznie usuwane po zakończeniu przetwarzania. Nie używamy wgranych dokumentów do trenowania modeli AI.

Więcej z tej grupy

Powiązane narzędzia

← Wszystkie narzędzia: Optymalizacja

Co dalej

Jeśli po lekturze chcesz wykonać kolejny krok lub dowiedzieć się więcej o usłudze, przejdź do jednej z tych stron.

Wszystkie narzędzia

Katalog narzędzi PDF: łącz, kompresuj, dziel, konwertuj, obracaj, zabezpieczaj i odblokowuj pliki PDF online, online.

FAQ

Odpowiedzi o kontach w iHatePDF, przetwarzaniu plików, limitach przesyłania, dostępie z telefonu, prywatności i postępowaniu, gdy narzędzie PDF zgłasza błąd.

Kontakt

Napisz do iHatePDF w sprawie błędów przetwarzania, wyboru narzędzia, bezpieczeństwa, zapytań biznesowych i propozycji nowych funkcji.