OCR PDF - Make a Searchable PDF Online Free

Một tệp PDF ảnh thông thường là một bức tranh phẳng được bọc trong vật chứa .pdf — bạn không thể chọn, sao chép hay tìm kiếm văn bản trong đó. Một tệp PDF có thể tìm kiếm có một lớp văn bản OCR vô hình căn chỉnh phía sau từng ký tự hiển thị, nên Ctrl+F tìm được từ, chức năng Sao chép hoạt động, và trình đọc màn hình có thể đọc to trang giấy trong khi giao diện hiển thị vẫn giữ y nguyên.

Công cụ OCR đọc từng chữ và lưu văn bản cùng khung bao của nó phía sau ảnh gốc tại đúng tọa độ pixel. Về mặt hình ảnh, trang trông giống hệt bản scan gốc, nhưng Adobe Acrobat, Preview, Chrome và mọi trình xem PDF hiện đại giờ đây có thể chọn, tìm kiếm và sao chép văn bản như thể đó là văn bản số gốc.

Có. Lớp văn bản là PDF tiêu chuẩn (không có phần mở rộng độc quyền), nên Adobe Acrobat (Reader và Pro), macOS Preview, trình xem PDF tích hợp của Chrome, Firefox, Edge và các trình đọc di động như ứng dụng Files, Drive và Dropbox đều lập chỉ mục và tìm kiếm được. Ctrl+F hoặc Cmd+F tìm thấy từ trong vài giây, ngay cả trong các báo cáo quét dài.

Có. Truyền vào nhiều mã ngôn ngữ (ví dụ eng+chi_sim+hin) và OCR sẽ cân nhắc tất cả khi đọc ký tự. Các tài liệu pha trộn nhiều chữ viết như thực đơn song ngữ, hợp đồng quốc tế và biểu mẫu chính phủ đều hoạt động trơn tru. Để có kết quả tốt nhất, hãy đặt ngôn ngữ có khả năng cao nhất lên đầu danh sách.

Lớp văn bản thường làm tăng 5–15% dung lượng PDF — thường là vài trăm kilobyte cho mỗi 100 trang. So với lợi ích thu được (tìm kiếm toàn văn trên toàn bộ kho tài liệu của bạn), đây là cái giá nhỏ. Nếu dung lượng quan trọng để gửi email, hãy chạy kết quả qua công cụ Nén PDF để cắt giảm thêm các hình ảnh nhúng lớn.

Tệp tải lên được xử lý trong một thư mục làm việc tạm thời và tự động bị xóa trong vòng vài phút sau khi quá trình chuyển đổi hoàn tất. Chúng tôi không bao giờ huấn luyện mô hình trên tệp người dùng, không bao giờ chia sẻ chúng và không bao giờ thêm hình mờ. Điều này khiến công cụ an toàn cho các kho lưu trữ scan trong lĩnh vực pháp lý, nhân sự, y tế và kế toán, nơi tính bảo mật là quan trọng nhất.

Công cụ này đọc các tệp ảnh (JPG, PNG, TIFF, bản quét và ảnh chụp) và trả về một PDF có thể tìm kiếm. Nếu bạn đã có một PDF quét nhiều trang, trước tiên hãy tách nó thành các ảnh trang bằng công cụ PDF sang ảnh, rồi thả các ảnh đó vào đây để nhận lại một PDF có thể tìm kiếm đã qua OCR.

Tải lên JPG, PNG, WEBP, GIF, TIFF hoặc BMP — ảnh chụp điện thoại, bản quét máy scan phẳng và ảnh chụp màn hình đều dùng được. Công cụ OCR đọc văn bản và bọc nó trong một lớp vô hình phía sau ảnh, nên kết quả là một PDF có thể tìm kiếm bình thường, mở được trong mọi trình xem.

PDF có thể tìm kiếm cần một lớp văn bản hOCR nhúng với hộp giới hạn cho từng từ, mà chỉ các engine dựa trên Tesseract (Engine 1 và Engine 2) mới có thể tạo ra — engine PaddleOCR 'Default' được dùng ở nơi khác trong ứng dụng không thể tạo lớp đó. Engine 1 là lượt Tesseract tiêu chuẩn với hỗ trợ ngôn ngữ rộng nhất; Engine 2 có thể làm tốt hơn trên các bản quét cách điệu hoặc chất lượng thấp.

Mở bộ chọn Ngôn ngữ trong Cài đặt và chọn ngôn ngữ của tài liệu (mặc định là tiếng Anh) — đây là cài đặt quan trọng nhất đối với độ chính xác OCR, vì việc nhận diện ký tự của engine phụ thuộc vào ngôn ngữ. Nhấn Chạy lại chuyển đổi sau khi thay đổi để dựng lại PDF với một lớp văn bản mới.

Chọn Engine 1 vì độ bao phủ ngôn ngữ rộng hơn của nó, và đặt bộ chọn Ngôn ngữ theo ngôn ngữ chính của hợp đồng. Nếu các phần quan trọng ở ngôn ngữ thứ hai vẫn không khớp khi bạn tìm kiếm, hãy chạy lại việc chuyển đổi với Engine 2 hoặc ngôn ngữ phụ được chọn ở lượt thứ hai.

Nó tự động cập nhật — chuyển menu Công cụ hoặc Ngôn ngữ sẽ lập tức xử lý lại ảnh đã tải lên và dựng lại PDF có thể tìm kiếm với cài đặt mới, không cần nhấp. Nút Chạy lại chuyển đổi chủ yếu hữu ích để thử lại đúng cùng cài đặt đó, ví dụ sau một lần chuyển đổi thất bại hoặc mất mạng thoáng qua.