OCR wyjaśniony: jak zeskanowany PDF staje się przeszukiwalnym tekstem

Zeskanowany dokument — czy to pochodzi z prawdziwego skanera, czy tylko z aparatu telefonu — jest dla komputera zwykłą fotografią. Ctrl+F nic nie znajduje, bo nie ma tam żadnego tekstu do znalezienia, tylko piksele, które dla czytającego je człowieka wyglądają jak litery.

Co OCR faktycznie robi

Optyczne rozpoznawanie znaków (OCR) analizuje kształty na stronie i przewiduje, jakie znaki reprezentują, a następnie dodaje ten przewidywany tekst jako niewidoczną, zaznaczalną warstwę umieszczoną dokładnie na oryginalnym obrazie. Wizualnie nic się nie zmienia — nadal patrzysz na ten sam skan. Funkcjonalnie strona ma teraz za sobą prawdziwy tekst, który przeglądarka lub czytnik PDF może przeszukiwać, zaznaczać i kopiować.

Dlaczego OCR działa tutaj całkowicie w Twojej przeglądarce

OCR PDF używa Tesseract.js, kompilacji WebAssembly open-source'owego silnika OCR Tesseract, działającej jako Web Worker, więc nie zawiesza strony podczas pracy. Samo rozpoznawanie odbywa się na Twoim urządzeniu — skan nigdzie nie jest wysyłany do odczytania.

Co wpływa na dokładność

• Jakość skanu — wyraźny, dobrze oświetlony, prosty skan rozpoznaje się znacznie dokładniej niż rozmazane lub mocno przekrzywione zdjęcie z telefonu.
• Pismo odręczne — Tesseract, jak większość silników OCR, jest zbudowany do tekstu drukowanego; rozpoznawanie pisma odręcznego to inny, dużo mniej niezawodny problem.
• Nietypowe czcionki lub mocna stylizacja — dekoracyjne kroje pisma lub tekst o niskim kontraście obniżają dokładność tak samo, jak utrudniałyby szybkie przeglądanie człowiekowi.