OCR dijelaskan: bagaimana PDF hasil pindaian menjadi teks yang dapat dicari

Dokumen yang dipindai — baik itu berasal dari pemindai sebenarnya atau hanya kamera ponsel — adalah foto sejauh yang diketahui komputer. Ctrl+F tidak menemukan apa-apa, karena tidak ada teks di sana untuk ditemukan, hanya piksel yang kebetulan terlihat seperti huruf bagi manusia yang membacanya.

Apa yang sebenarnya dilakukan OCR

Pengenalan Karakter Optik menganalisis bentuk di halaman dan memprediksi karakter apa yang mereka wakili, kemudian menambahkan teks yang diprediksi itu sebagai lapisan tidak terlihat, dapat dipilih yang diposisikan tepat di atas gambar asli. Secara visual, tidak ada yang berubah — Anda masih melihat pindaian yang sama. Secara fungsional, halaman sekarang memiliki teks nyata di baliknya yang dapat dicari, dipilih, dan disalin oleh browser atau pembaca PDF.

Mengapa OCR berjalan sepenuhnya di browser Anda di sini

OCR PDF menggunakan Tesseract.js, build WebAssembly dari mesin OCR Tesseract open-source, berjalan sebagai Web Worker sehingga tidak membekukan halaman saat bekerja. Pengenalan itu sendiri terjadi di perangkat Anda — pindaian tidak dikirim ke mana pun untuk dibaca.

Apa yang mempengaruhi akurasi

• Kualitas pindaian — pindaian yang tajam, pencahayaan baik, dan lurus dikenali jauh lebih akurat daripada foto ponsel yang buram atau sangat miring.
• Tulisan tangan — Tesseract, seperti sebagian besar mesin OCR, dibangun untuk teks cetak; pengenalan tulisan tangan adalah masalah yang berbeda, jauh lebih tidak dapat diandalkan.
• Font tidak biasa atau gaya berat — jenis huruf dekoratif atau teks kontras rendah mengurangi akurasi dengan cara yang sama seperti mereka akan menantang manusia yang membaca sekilas dengan cepat.