OCR пояснено: як сканований PDF стає текстом, придатним для пошуку

Сканований документ — незалежно від того, чи прийшов він з реального сканера, чи просто з камери телефону — є фотографією, наскільки стосується комп'ютера. Ctrl+F нічого не знаходить, тому що там немає тексту для пошуку, лише пікселі, які виглядають як літери для людини, яка їх читає.

Що OCR насправді робить

Оптичне розпізнавання символів аналізує форми на сторінці та передбачає, які символи вони представляють, потім додає цей передбачений текст як невидимий, придатний для вибору шар, розташований точно поверх оригінального зображення. Візуально нічого не змінюється — ви все ще дивитеся на той самий скан. Функціонально сторінка тепер має справжній текст позаду неї, який браузер або читач PDF може шукати, вибирати та копіювати.

Чому OCR тут працює повністю у вашому браузері

OCR PDF використовує Tesseract.js, збірку WebAssembly з відкритим кодом рушія OCR Tesseract, що працює як Web Worker, щоб не заморожувати сторінку під час роботи. Саме розпізнавання відбувається на вашому пристрої — скан не надсилається нікуди для читання.

Що впливає на точність

• Якість сканування — чіткий, добре освітлений, прямий скан розпізнається набагато точніше, ніж розмите або сильно перекошене фото з телефону.
• Рукописний текст — Tesseract, як і більшість рушіїв OCR, побудований для друкованого тексту; розпізнавання рукописного тексту — це інша, набагато менш надійна проблема.
• Незвичайні шрифти або сильна стилізація — декоративні гарнітури або текст з низьким контрастом знижують точність так само, як вони кинули б виклик людині, яка швидко переглядає.