OCR dijelaskan: bagaimana PDF yang diimbas menjadi teks yang boleh dicari

Dokumen yang diimbas — sama ada ia datang daripada pengimbas sebenar atau hanya kamera telefon — adalah foto setakat yang komputer prihatin. Ctrl+F tidak menemui apa-apa, kerana tiada teks di sana untuk ditemui, hanya piksel yang kebetulan kelihatan seperti huruf kepada manusia yang membacanya.

Apa yang OCR sebenarnya lakukan

Pengecaman Aksara Optik menganalisis bentuk pada halaman dan meramalkan aksara mana yang mereka wakili, kemudian menambah teks yang diramalkan itu sebagai lapisan tidak kelihatan, boleh dipilih yang diletakkan tepat di atas imej asal. Secara visual, tiada apa yang berubah — anda masih melihat imbasan yang sama. Secara berfungsi, halaman kini mempunyai teks sebenar di belakangnya yang boleh dicari, dipilih, dan disalin oleh pelayar atau pembaca PDF.

Mengapa OCR berjalan sepenuhnya dalam pelayar anda di sini

OCR PDF menggunakan Tesseract.js, binaan WebAssembly enjin OCR Tesseract sumber terbuka, berjalan sebagai Web Worker supaya ia tidak membekukan halaman semasa ia bekerja. Pengecaman itu sendiri berlaku pada peranti anda — imbasan tidak dihantar ke mana-mana untuk dibaca.

Apa yang mempengaruhi ketepatan

• Kualiti imbasan — imbasan yang jelas, cahaya baik, lurus dikenali dengan jauh lebih tepat daripada foto telefon yang kabur atau sangat senget.
• Tulisan tangan — Tesseract, seperti kebanyakan enjin OCR, dibina untuk teks bercetak; pengecaman tulisan tangan adalah masalah yang berbeza, jauh lebih tidak boleh dipercayai.
• Fon luar biasa atau gaya berat — taip muka hiasan atau teks kontras rendah mengurangkan ketepatan dengan cara yang sama seperti mereka akan mencabar manusia yang melihat sepintas lalu dengan cepat.