Giải thích OCR: cách một PDF đã quét trở thành văn bản có thể tìm kiếm

Một tài liệu đã quét — dù nó đến từ một máy quét thực sự hay chỉ là camera điện thoại — là một bức ảnh theo góc nhìn của máy tính. Ctrl+F không tìm thấy gì cả, vì không có văn bản nào ở đó để tìm, chỉ có các pixel tình cờ trông giống chữ cái đối với con người đọc chúng.

OCR thực sự làm gì

Nhận dạng Ký tự Quang học phân tích các hình dạng trên trang và dự đoán ký tự nào chúng đại diện, sau đó thêm văn bản dự đoán đó dưới dạng một lớp vô hình, có thể chọn được, được định vị ngay trên hình ảnh gốc. Về mặt hình ảnh, không có gì thay đổi — bạn vẫn đang nhìn vào cùng một bản quét. Về mặt chức năng, trang giờ đây có văn bản thực sự đằng sau nó mà trình duyệt hoặc trình đọc PDF có thể tìm kiếm, chọn, và sao chép.

Tại sao OCR chạy hoàn toàn trong trình duyệt của bạn ở đây

OCR PDF sử dụng Tesseract.js, một bản dựng WebAssembly của công cụ OCR Tesseract mã nguồn mở, chạy như một Web Worker để nó không làm đông cứng trang trong khi hoạt động. Việc nhận dạng thực sự diễn ra trên thiết bị của bạn — bản quét không được gửi đi bất cứ đâu để đọc.

Điều gì ảnh hưởng đến độ chính xác

• Chất lượng quét — một bản quét rõ nét, đủ ánh sáng, thẳng được nhận dạng chính xác hơn nhiều so với một bức ảnh điện thoại mờ hoặc bị nghiêng nặng.
• Chữ viết tay — Tesseract, giống như hầu hết các công cụ OCR, được xây dựng cho văn bản in; nhận dạng chữ viết tay là một vấn đề khác, kém tin cậy hơn nhiều.
• Phông chữ bất thường hoặc cách điệu nặng — các kiểu chữ trang trí hoặc văn bản có độ tương phản thấp làm giảm độ chính xác theo cùng cách chúng sẽ gây khó khăn cho một con người lướt qua nhanh.