OCR обяснено: как сканиран PDF става текст, годен за търсене

Сканиран документ — независимо дали идва от истински скенер или само от камера на телефон — е снимка, доколкото се отнася до компютъра. Ctrl+F не намира нищо, защото няма текст там за намиране, само пиксели, които случайно изглеждат като букви за човек, който ги чете.

Какво всъщност прави OCR

Оптичното разпознаване на символи анализира формите на страницата и предсказва кои символи представляват, след което добавя този предсказан текст като невидим, избираем слой, позициониран точно върху оригиналното изображение. Визуално нищо не се променя — все още гледате същото сканиране. Функционално страницата сега има реален текст зад себе си, който браузър или PDF четец може да търси, избере, и копира.

Защо OCR работи изцяло във вашия браузър тук

OCR PDF използва Tesseract.js, WebAssembly компилация на отворения код на OCR двигателя Tesseract, работещ като Web Worker, за да не замразява страницата, докато работи. Самото разпознаване се извършва на вашето устройство — сканирането не се изпраща никъде за четене.

Какво влияе на точността

• Качество на сканиране — ясно, добре осветено, право сканиране се разпознава много по-точно от размазана или силно наклонена снимка от телефон.
• Ръкопис — Tesseract, както повечето OCR двигатели, е изграден за печатен текст; разпознаването на ръкопис е различен, много по-ненадежден проблем.
• Необичайни шрифтове или тежка стилизация — декоративни шрифтове или текст с нисък контраст намаляват точността по същия начин, по който биха предизвикали затруднение на човек, бързо преглеждащ.