OCR PDF - Make a Searchable PDF Online Free

Zwykły obrazowy PDF to płaski obraz opakowany w kontener .pdf — nie da się w nim zaznaczyć, skopiować ani wyszukać tekstu. Przeszukiwalny PDF ma niewidoczną warstwę tekstu OCR dopasowaną za każdym widocznym znakiem, dzięki czemu Ctrl+F znajduje słowa, Kopiuj działa, a czytniki ekranu mogą odczytać stronę na głos, podczas gdy wygląd pozostaje identyczny.

Silnik OCR odczytuje każde słowo i zapisuje jego tekst oraz ramkę otaczającą pod oryginalnym obrazem, dokładnie w odpowiednich współrzędnych pikseli. Wizualnie strona wygląda identycznie jak oryginalny skan, ale Adobe Acrobat, Preview, Chrome i każda nowoczesna przeglądarka PDF mogą teraz zaznaczać, wyszukiwać i kopiować tekst tak, jakby był on natywnym tekstem cyfrowym.

Tak. Warstwa tekstu to standardowy PDF (bez zastrzeżonych rozszerzeń), więc Adobe Acrobat (Reader i Pro), podgląd macOS, wbudowana przeglądarka PDF w Chrome, Firefox, Edge oraz czytniki mobilne, takie jak aplikacja Pliki, Drive i Dropbox — wszystkie ją indeksują i przeszukują. Ctrl+F lub Cmd+F znajduje słowa w kilka sekund, nawet w długich zeskanowanych raportach.

Tak. Podaj wiele kodów języków (na przykład eng+chi_sim+hin), a OCR uwzględni je wszystkie podczas odczytywania znaków. Dokumenty o mieszanym piśmie, takie jak dwujęzyczne menu, międzynarodowe umowy i formularze urzędowe, są obsługiwane bez problemów. Aby uzyskać najlepsze wyniki, umieść najbardziej prawdopodobny język na początku listy.

Warstwa tekstu zazwyczaj zwiększa rozmiar PDF o 5–15% — przeważnie o kilkaset kilobajtów na 100 stron. W porównaniu z korzyścią (pełnotekstowe wyszukiwanie w całym archiwum dokumentów) to niewielka cena. Jeśli rozmiar ma znaczenie dla poczty e-mail, przepuść wynik przez kompresję PDF, aby jeszcze bardziej zmniejszyć duże osadzone obrazy.

Wgrane pliki są przetwarzane w tymczasowym folderze roboczym i automatycznie usuwane w ciągu kilku minut po zakończeniu konwersji. Nigdy nie trenujemy modeli na plikach użytkowników, nie udostępniamy ich ani nie dodajemy znaków wodnych. Dzięki temu narzędzie jest bezpieczne dla zeskanowanych archiwów prawnych, HR, medycznych i księgowych, gdzie poufność ma największe znaczenie.

To narzędzie odczytuje pliki graficzne (JPG, PNG, TIFF, skany i zdjęcia) i zwraca przeszukiwalny PDF. Jeśli masz już wielostronicowy zeskanowany PDF, najpierw podziel go na obrazy stron za pomocą narzędzia PDF na obrazy, a potem wrzuć te obrazy tutaj, aby otrzymać jeden przeszukiwalny PDF z warstwą OCR.

Prześlij JPG, PNG, WEBP, GIF, TIFF lub BMP — sprawdzą się zdjęcia z telefonu, skany ze skanera płaskiego i zrzuty ekranu. Silnik OCR odczytuje tekst i umieszcza go w niewidocznej warstwie za obrazem, dzięki czemu wynikiem jest zwykły przeszukiwalny PDF, który otworzy się w dowolnej przeglądarce.

Przeszukiwalny PDF wymaga osadzonej warstwy tekstowej hOCR z ramkami dla każdego słowa, którą mogą utworzyć tylko silniki oparte na Tesseract (Silnik 1 i Silnik 2) — silnik „Domyślny” PaddleOCR używany w innych miejscach aplikacji nie potrafi wygenerować tej warstwy. Silnik 1 to standardowy przebieg Tesseract z najszerszą obsługą języków; Silnik 2 może dawać lepsze wyniki na stylizowanych lub gorszej jakości skanach.

Otwórz selektor Języka w Ustawieniach i wybierz język dokumentu (domyślnie angielski) — to najważniejsze pojedyncze ustawienie dla dokładności OCR, ponieważ rozpoznawanie znaków przez silnik zależy od języka. Po jego zmianie kliknij Uruchom ponownie konwersję, aby odbudować plik PDF ze świeżą warstwą tekstową.

Wybierz Silnik 1 ze względu na szersze pokrycie językowe i ustaw selektor języka na główny język umowy. Jeśli kluczowe sekcje w drugim języku nadal nie są dopasowywane podczas wyszukiwania, uruchom konwersję ponownie z wybranym Silnikiem 2 lub językiem drugorzędnym w drugim przebiegu.

Aktualizuje się automatycznie — przełączenie listy Silnik lub Język natychmiast ponownie przetwarza przesłany obraz i odbudowuje przeszukiwalny plik PDF z nowym ustawieniem, bez konieczności klikania. Przycisk Uruchom ponownie konwersję jest przydatny głównie do ponowienia dokładnie tych samych ustawień, na przykład po nieudanej konwersji lub krótkim zaniku sieci.