OCR açıklandı: taranmış bir PDF nasıl aranabilir metne dönüşür

Taranmış bir belge — gerçek bir tarayıcıdan mı yoksa sadece bir telefon kamerasından mı geldiği fark etmeksizin — bir bilgisayar açısından bir fotoğraftır. Ctrl+F hiçbir şey bulamaz, çünkü bulunacak metin yoktur, sadece onu okuyan bir insana harflere benzeyen pikseller vardır.

OCR gerçekte ne yapıyor

Optik Karakter Tanıma, sayfadaki şekilleri analiz eder ve hangi karakterleri temsil ettiklerini tahmin eder, sonra bu tahmin edilen metni orijinal görüntünün tam üzerine yerleştirilmiş görünmez, seçilebilir bir katman olarak ekler. Görsel olarak hiçbir şey değişmez — hâlâ aynı taramaya bakıyorsunuz. İşlevsel olarak, sayfa artık bir tarayıcının veya PDF okuyucusunun arayabileceği, seçebileceği ve kopyalayabileceği gerçek bir metne sahiptir.

OCR neden burada tamamen tarayıcınızda çalışıyor

OCR PDF, açık kaynak Tesseract OCR motorunun bir WebAssembly derlemesi olan Tesseract.js'yi kullanır, çalışırken sayfayı dondurmaması için bir Web Worker olarak çalışır. Tanımanın kendisi cihazınızda gerçekleşir — tarama okunmak üzere hiçbir yere gönderilmez.

Doğruluğu ne etkiler

• Tarama kalitesi — net, iyi aydınlatılmış, düz bir tarama, bulanık veya çok eğri bir telefon fotoğrafından çok daha doğru tanınır.
• El yazısı — Tesseract, çoğu OCR motoru gibi, basılı metin için oluşturulmuştur; el yazısı tanıma farklı, çok daha az güvenilir bir sorundur.
• Olağandışı yazı tipleri veya ağır stilizasyon — dekoratif yazı tipleri veya düşük kontrastlı metin, hızlıca göz gezdiren bir insana zorluk çıkaracağı şekilde doğruluğu azaltır.