Το OCR εξηγείται: πώς ένα σαρωμένο PDF γίνεται αναζητήσιμο κείμενο

Ένα σαρωμένο έγγραφο — είτε προήλθε από έναν πραγματικό σαρωτή είτε μόνο από μια κάμερα τηλεφώνου — είναι μια φωτογραφία όσον αφορά έναν υπολογιστή. Το Ctrl+F δεν βρίσκει τίποτα, επειδή δεν υπάρχει κείμενο εκεί να βρεθεί, μόνο pixel που τυχαίνει να μοιάζουν με γράμματα σε έναν άνθρωπο που τα διαβάζει.

Τι κάνει πραγματικά το OCR

Η Οπτική Αναγνώριση Χαρακτήρων αναλύει τα σχήματα στη σελίδα και προβλέπει ποιους χαρακτήρες αντιπροσωπεύουν, στη συνέχεια προσθέτει αυτό το προβλεπόμενο κείμενο ως ένα αόρατο, επιλέξιμο επίπεδο τοποθετημένο ακριβώς πάνω από την αρχική εικόνα. Οπτικά, τίποτα δεν αλλάζει — εξακολουθείτε να κοιτάτε την ίδια σάρωση. Λειτουργικά, η σελίδα έχει τώρα πραγματικό κείμενο πίσω της που ένα πρόγραμμα περιήγησης ή αναγνώστης PDF μπορεί να αναζητήσει, να επιλέξει, και να αντιγράψει.

Γιατί το OCR τρέχει εξ ολοκλήρου στο πρόγραμμα περιήγησής σας εδώ

Το OCR PDF χρησιμοποιεί το Tesseract.js, μια κατασκευή WebAssembly της ανοιχτού κώδικα μηχανής OCR Tesseract, τρέχοντας ως Web Worker ώστε να μην παγώνει τη σελίδα ενώ λειτουργεί. Η ίδια η αναγνώριση συμβαίνει στη συσκευή σας — η σάρωση δεν στέλνεται πουθενά για να διαβαστεί.

Τι επηρεάζει την ακρίβεια

• Ποιότητα σάρωσης — μια ευκρινής, καλά φωτισμένη, ευθεία σάρωση αναγνωρίζεται πολύ πιο ακριβώς από μια θολή ή πολύ λοξή φωτογραφία τηλεφώνου.
• Χειρόγραφο — το Tesseract, όπως οι περισσότερες μηχανές OCR, είναι χτισμένο για τυπωμένο κείμενο· η αναγνώριση χειρογράφου είναι ένα διαφορετικό, πολύ λιγότερο αξιόπιστο πρόβλημα.
• Ασυνήθιστες γραμματοσειρές ή έντονη στυλιζαρίσματα — διακοσμητικές γραμματοσειρές ή κείμενο χαμηλής αντίθεσης μειώνουν την ακρίβεια με τον ίδιο τρόπο που θα προκαλούσαν δυσκολία σε έναν άνθρωπο που κοιτάζει γρήγορα.