OCR förklarat: hur en skannad PDF blir sökbar text

Ett skannat dokument — oavsett om det kom från en riktig skanner eller bara en telefonkamera — är ett fotografi vad en dator anbelangar. Ctrl+F hittar ingenting, för det finns ingen text där att hitta, bara pixlar som råkar se ut som bokstäver för en människa som läser dem.

Vad OCR faktiskt gör

Optisk teckenigenkänning analyserar formerna på sidan och förutsäger vilka tecken de representerar, och lägger sedan till den förutsagda texten som ett osynligt, markerbart lager placerat precis ovanpå originalbilden. Visuellt förändras ingenting — du tittar fortfarande på samma skanning. Funktionellt har sidan nu riktig text bakom sig som en webbläsare eller PDF-läsare kan söka i, markera, och kopiera.

Varför OCR körs helt i din webbläsare här

OCR PDF använder Tesseract.js, en WebAssembly-byggnad av den öppen källkodsbaserade Tesseract OCR-motorn, som körs som en Web Worker så att den inte fryser sidan medan den arbetar. Igenkänningen sker på din enhet — skanningen skickas inte någonstans för att läsas.

Vad som påverkar noggrannheten

• Skanningskvalitet — en skarp, väl upplyst, rak skanning känns igen mycket mer exakt än ett suddigt eller kraftigt skevt telefonfoto.
• Handstil — Tesseract, som de flesta OCR-motorer, är byggd för tryckt text; handstilsigenkänning är ett annat, mycket mindre tillförlitligt problem.
• Ovanliga typsnitt eller kraftig stilisering — dekorativa typsnitt eller lågkontrasttext minskar noggrannheten på samma sätt som de skulle utmana en människa som snabbt skummar.