Hoppa till innehållet
Artikel

Så känner du igen text i en skannad PDF med OCR

Igenkänningen lägger ett osynligt textlager över en orörd sidbild. Vilket kvalitetsläge som är standard, vad auto gör med språket och varför uträtning är av.

Kort sagt: OCR ändrar inte hur en sida ser ut: ett osynligt textlager läggs över bilden, och sökning och kopiering börjar fungera. Sidor som redan har text hoppas över. Kvalitetsläget är egentligen en renderingsupplösning: snabbt ger 100 DPI, noggrant 300.

Ämnesnav

steg-för-steg-guide

steg-för-steg-guide: PDF guidance for reliable document processing and quality checks.

13 artiklar

Huvudverktyg

Känn igen text i en skannad PDF

Öppna verktyget som länkas i artikeln och utför uppgiften på samma språk som webbplatsen.

Öppna verktyget

Innehåll

Textigenkänning i PDF: vad som händer med en skanning

Ett skannat dokument ser ut som ett dokument och läses som ett dokument, men för alla program är det en bild. Du kan inte söka i det, du kan inte kopiera ett kontraktsnummer ur det, och ett inlämningsformulär som kontrollerar om det finns text avvisar det som en tom fil.

Textigenkänning löser just det, och sättet är värt att förstå: den skriver inte om något.

Vad som egentligen läggs till i filen

Sidbilden lämnas orörd. Ovanpå den läggs ett andra lager: text som placeras där motsvarande bokstäver sitter i bilden och som görs osynlig.

Alla egenskaper hos resultatet följer av detta. Visuellt går filen inte att skilja från originalet: samma papper, samma stämplar, samma lutning om det fanns någon. Samtidigt hittar sökningen ord, ett dubbelklick markerar en rad och kopiering ger riktig text.

Samma sak förklarar varför igenkänningen är ofarlig för dokument där utseendet spelar roll. Ett skannat kontrakt med underskrift är efter OCR samma skanning med samma underskrift, den har bara blivit sökbar.

Sidor som redan har text hoppas över

Före bearbetningen kontrolleras varje sida för ett textlager, och sidor som har ett känns inte igen alls.

Två praktiska följder:

Blandade dokument hanteras rätt utan någon extra insats. Om en del av filen skrevs i en textredigerare och en annan del klistrades in som skanning, känns bara den andra delen igen. Den skrivna texten förblir original i stället för att ersättas av en igenkänd kopia, vilket spelar roll: originaltext är exakt, igenkänd text innehåller fel.

Att köra OCR på en vanlig PDF med text gör nästan ingenting och förstör ingenting. Det är bekvämt när du inte vet om dokumentet framför dig är en skanning: skicka det bara genom verktyget.

Samma logik styr hur lång tid ett jobb tar. Den beror inte på antalet sidor i dokumentet utan på antalet sidor utan text. En rapport på tvåhundra sidor med fem inklistrade skanningar bearbetas på den tid som fem sidor tar.

De tre kvalitetslägena är tre upplösningar

Valet av kvalitet styr en enda sak: upplösningen som sidan renderas i före igenkänningen.

LägeUpplösningNär du väljer det
Snabb100 DPIStor, tydlig text, en snabb kontroll
Balanserad150 DPIVanliga dokument, kontrakt, intyg
Noggrann300 DPILiten text, fotnoter, dåliga kopior

Standardläget är det balanserade, något som är bra att komma ihåg. Hundrafemtio punkter per tum räcker för rubriker och brödtext, men små fotnoter, siffror i tabeller och stämplar blir ändå sämre än i det noggranna läget.

Regeln är enkel: om dokumentet innehåller något du själv kisar åt, välj det noggranna läget. Det är långsammare, och det sparar dig från att göra jobbet två gånger.

Språk: auto betyder två språk på en gång

Engelska och ryska finns att välja, tillsammans med ett autoläge.

Autoläget gissar inte språket. Det känner igen dokumentet på båda språken samtidigt, vilket passar text där ett språk är späckat med namn, koder och termer från det andra. Priset är hastighet och en liten förlust av noggrannhet på enhetlig text.

Om dokumentet helt är på ett språk ger det språket ett något bättre och snabbare resultat.

När det valda språket inte är tillgängligt misslyckas inte igenkänningen: den körs med det som är installerat och bifogar en separat varning som nämner både språket du bad om och det som användes. Varningen är värd att läsa i stället för att avfärda: ett språk som tyst bytts ut förklarar ett konstigt resultat bättre än någon gissning.

En anmärkning om dokument på andra språk. Latinsk skrift känns igen av det engelska paketet, men diakritiska tecken går förlorade eller förvrängs på vägen: franska och tyska texter blir läsbara med fel i accenterna. Andra skriftsystem än latinska och kyrilliska stöds inte alls.

Så kör du igenkänningen

1. Öppna OCR för PDF online och ladda upp dokumentet. 2. Välj språk. Auto för blandad text, ett bestämt språk för enhetlig text. 3. Ställ in det noggranna läget om dokumentet innehåller liten text. 4. Starta jobbet och ladda ner resultatet. 5. Öppna filen och sök efter ett ord som du vet finns på skanningen. Det är den snabbaste kontrollen som finns.

Uträtning av sidor och vad den kostar

En separat omkopplare rätar upp lutande sidor före igenkänningen. Den är avstängd som standard, och det finns en anledning.

Uträtningen görs på en tillfällig kopia av sidan, och det är den som igenkänningen läser, medan textlagret sedan läggs över den ursprungliga, ojusterade sidan. På en kraftigt lutande skanning ger det en förskjutning: den osynliga texten hamnar roterad i förhållande till de synliga bokstäverna.

Sökningen påverkas inte, ordet hittas fortfarande. Markering med musen påverkas: markeringsrutan hamnar vid sidan av bokstäverna, och det blir besvärligt att kopiera ett stycke.

Avvägningen är medveten, eftersom de ursprungliga sidorna förblir orörda. Är lutningen kraftig är det bättre att räta upp dokumentet före igenkänningen, med Rotera PDF online för rätvinkliga vridningar eller genom att bygga om skanningen i Skanna till PDF online, som har riktig uträtning.

Vad igenkänningen inte gör

Den förbättrar inte originalet. Ett suddigt foto, en lampreflex över en rad, skuggan av en hand över halva sidan: allt blir kvar, och igenkänning över ett sådant ställe ger rappakalja eller hoppar över det.

Den läser inte handskrift. Verktyget är byggt för tryckt text.

Den ger inte text med rättslig giltighet. Det igenkända lagret innehåller fel och kan inte fungera som kopia av dokumentet. Det finns för sökning och för system som kräver ett textlager, inte för citat.

Och den återställer inte upplösning. Om originalskanningen gjordes med 75 punkter per tum renderar det noggranna läget den i 300, men inga extra bokstäver dyker upp: en suddig bild blir bara större. Igenkänningens kvalitet bestäms av originalet, inte av inställningen.

Var igenkänningen hör hemma i en kedja av operationer

Ordningen betyder mer än man tror, och det finns en regel: igenkänning görs före komprimering.

Igenkänningen utgår från sidbilden. Komprimering med Komprimera PDF online försämrar den bilden: upplösningen sänks och artefakter uppstår runt bokstäverna. Omvänd ordning ger märkbart fler fel i texten, och efteråt finns inget kvar att rätta dem med.

Hopsättning och rotation hör också hemma före igenkänningen: de ändrar vilka sidor som finns och hur de är orienterade, och textlagret är knutet till en viss sida.

Om det du behöver inte är en fil med textlager utan själva texten som en separat fil finns PDF till text online för det: det plockar ut innehållet till en ren textfil indelad per sida.

Författare

Text av teamet bakom tjänsten. Sergey Gagin är tjänsteansvarig.

Om projektet

Vanliga frågor

Nej. Sidbilden förblir som den var och ett osynligt textlager läggs över den. Visuellt går filen inte att skilja från originalet, medan sökning och kopiering börjar fungera.
I praktiken ingenting: sidor som redan har text hoppas över utan bearbetning. Det är bekvämt för blandade dokument där vissa sidor är skrivna och andra skannade.
Engelska och ryska. Autoläget känner igen båda samtidigt, vilket passar dokument med blandad text. Om ett valt språk inte är tillgängligt körs igenkänningen med det som finns och meddelar det i en separat varning.
Nej. Det grundläggande arbetsflödet fungerar utan att du skapar ett konto.
Filerna används bara för den valda operationen och raderas automatiskt när bearbetningen är klar. Vi använder inte uppladdade dokument för att träna AI-modeller.

Mer från det här ämnesnavet

Relaterade verktyg

← Alla verktyg i kategorin Optimering

Vad du kan göra härnäst

Behöver du ett praktiskt nästa steg eller mer information om tjänsten? Läs vidare på de här sidorna.

Alla verktyg

Katalog över PDF-verktyg: slå ihop, komprimera, dela, konvertera, rotera, skydda och låsa upp PDF-filer online, online.

Vanliga frågor

Hitta svar om konton, filbearbetning, uppladdningsgränser, mobilanvändning och integritet hos iHatePDF, och om vad du gör när ett PDF-verktyg ger ett fel.

Kontakt

Kontakta iHatePDF om bearbetningsfel, val av verktyg, säkerhet, affärsförfrågningar och förslag på nya funktioner.