OCR imeelezwa: jinsi PDF iliyochanganuliwa inavyokuwa maandishi yanayoweza kutafutwa

Hati iliyochanganuliwa — iwe ilitoka kwa skana halisi au kamera ya simu tu — ni picha kadri kompyuta inavyojali. Ctrl+F haipati chochote, kwa sababu hakuna maandishi hapo ya kupatikana, ni pikseli tu zinazofanana kwa bahati na herufi kwa binadamu anayezisoma.

Ni nini hasa OCR inafanya

Utambuzi wa Herufi kwa Macho huchambua maumbo kwenye ukurasa na kutabiri herufi gani zinawakilisha, kisha kuongeza maandishi hayo yaliyotabiriwa kama safu isiyoonekana, inayoweza kuchaguliwa iliyowekwa juu ya picha ya asili. Kwa macho, hakuna kinachobadilika — bado unaangalia skani ile ile. Kikazi, ukurasa sasa una maandishi halisi nyuma yake ambayo kivinjari au msomaji wa PDF anaweza kutafuta, kuchagua, na kunakili.

Kwa nini OCR inaendesha kabisa ndani ya kivinjari chako hapa

OCR PDF inatumia Tesseract.js, ujenzi wa WebAssembly wa injini ya OCR ya chanzo huria ya Tesseract, inayoendesha kama Web Worker ili isigande ukurasa wakati inafanya kazi. Utambuzi wenyewe hutokea kwenye kifaa chako — skani haitumwi popote kusomwa.

Kile kinachoathiri usahihi

• Ubora wa skani — skani iliyo wazi, yenye mwanga mzuri, iliyonyooka hutambuliwa kwa usahihi zaidi kuliko picha ya simu iliyofifia au iliyopinda sana.
• Mwandiko — Tesseract, kama injini nyingi za OCR, imejengwa kwa maandishi yaliyochapishwa; utambuzi wa mwandiko ni tatizo tofauti, lisilotegemewa zaidi.
• Fonti zisizo za kawaida au mtindo mzito — herufi za mapambo au maandishi yenye tofauti ndogo hupunguza usahihi kwa njia ile ile ambayo yangempa changamoto binadamu anayepitia haraka.