Alat Berkas

OCR dan ekstraksi teks PDF

Ekstrak teks PDF atau kenali teks pada halaman hasil pemindaian. Pilih file, proses secara lokal, lalu unduh salinan baru.

Berjalan di browser Anda. Tanpa unggah.

PDF teks dapat diekstrak tanpa OCR.

Tentang alat ini

OCR dan ekstraksi teks PDF, praktis tanpa ribet.

Ekstrak teks PDF atau kenali teks pada halaman hasil pemindaian. File tetap di perangkat; kecepatan bergantung pada perangkat dan browser.

Panduan

Menggunakan OCR dan ekstraksi teks PDF

Halaman ini mengambil teks dari PDF. Jika sebuah halaman sudah memuat teks yang dapat dipilih, halaman menyalinnya langsung. Jika halaman hanya berupa gambar, seperti hasil pindai, halaman menjalankan pengenalan karakter optik, atau OCR, untuk membaca huruf dari gambar. Anda memilih bahasa teks cetak dan halaman yang akan dibaca, menekan satu tombol, lalu menyalin teksnya. PDF dibuka dan dibaca di perangkat Anda sendiri. Hasilnya hanya teks biasa. Halaman tidak membuat PDF baru yang dapat dicari, mempertahankan tata letak, atau membaca tulisan tangan dengan baik.

Cara menggunakannya

  1. Tekan kotak file di bawah Pilih PDF hasil pindai dan pilih PDF dari perangkat Anda.
  2. Buka Bahasa teks dan pilih bahasa yang tercetak di halaman. Hanya satu bahasa yang dapat dipakai dalam setiap proses, dan ini hanya berpengaruh pada halaman yang berupa gambar.
  3. Di Halaman yang dipindai, biarkan kata all, atau ketik halaman seperti 1-3,5. Angka harus antara 1 dan halaman terakhir file.
  4. Tekan Ekstrak teks / OCR. Bilah kemajuan muncul dan baris status menghitung halaman, misalnya Membaca halaman 1 dari 3. Halaman hasil pindai memerlukan file bahasa yang diunduh terlebih dahulu, jadi proses pertama bisa lebih lama.
  5. Baca kotak Teks yang diekstrak. Setiap halaman diawali dengan baris seperti --- Halaman 1 ---, dan halaman dipisahkan oleh baris kosong.
  6. Tekan Salin teks untuk menempelkannya ke editor Anda sendiri, atau tekan Unduh TXT untuk menyimpan teks sebagai file biasa. Tekan Hapus untuk memulai lagi.

Contoh yang dihitung

PDF yang sudah memiliki teks yang dapat dipilih

Anda masukkan
PDF
1 halaman dengan baris teks: Catatan rapat klub berkebun / Rapat berikutnya pada Selasa malam
Bahasa
Inggris
Halaman
semua
Anda dapatkan
Teks
--- Halaman 1 --- Catatan rapat klub berkebun Rapat berikutnya pada Selasa malam

Teks diambil langsung dari file, tanpa OCR. Kedua baris digabung dengan spasi, sehingga jeda baris hilang pada halaman yang memakai teksnya sendiri.

Tidak dihitung dengan alat. Anggap sebagai ilustrasi.

Halaman hasil pindai yang dibaca dengan OCR

Anda masukkan
PDF
1 halaman yang hanya berupa gambar kata Faktur 2026 / Total tagihan 45 euro
Bahasa
Inggris
Halaman
semua
Anda dapatkan
Teks
--- Halaman 1 --- Faktur 2026 Total tagihan 45 euro

Tidak ada teks yang dapat dipilih, jadi halaman digambar sebagai gambar dan dibaca dengan OCR. Gambar uji ini berupa huruf besar yang bersih. Hasil pindai sungguhan lebih berantakan, jadi selalu periksa hasilnya.

Tidak dihitung dengan alat. Anggap sebagai ilustrasi.

File yang menggabungkan hasil pindai dan teks asli

Anda masukkan
PDF
3 halaman: gambar teks, halaman dengan teks asli, gambar teks
Bahasa
Inggris
Halaman
semua
Anda dapatkan
Teks
--- Halaman 1 --- Faktur 2026 Total tagihan 45 euro --- Halaman 2 --- Halaman ini memiliki teks asli yang dapat dipilih --- Halaman 3 --- Halo dunia hasil pindai Baris kedua di sini

Halaman 2 memiliki teksnya sendiri, jadi disalin langsung. Halaman 1 dan 3 dibaca dengan OCR. Hasilnya mempertahankan urutan halaman asli.

Tidak dihitung dengan alat. Anggap sebagai ilustrasi.

Bahasa yang salah menghilangkan aksen

Anda masukkan
PDF
1 halaman hasil pindai yang menampilkan Camión rápido / El niño está aquí
Bahasa a
Inggris
Bahasa b
Español
Anda dapatkan
Inggris
Camion rapido El nino esta aqui
Español
Camión rápido El niño está aquí

Dengan model bahasa Inggris, aksen hilang. Huruf salah yang tepat dapat berubah menurut gambar dan font. Dengan model bahasa Spanyol, teksnya keluar dengan benar. Pilih bahasa yang sesuai dengan halaman cetak.

Tidak dihitung dengan alat. Anggap sebagai ilustrasi.

Memilih halaman dengan rentang

Anda masukkan
PDF
4 halaman
Halaman
3, 1-2
Anda dapatkan
Halaman dibaca
1, 2, 3
Halaman dilewati
4

Angka-angka diurutkan dan setiap pengulangan digabungkan. Halaman 4 tidak dibaca. Angka di luar file, seperti 0-2 atau 2-9 untuk file 4 halaman, menghasilkan pesan Choose page numbers from 1 to 4.

Dihitung dengan kode alat itu sendiri.

File dengan lebih dari 120 halaman

Anda masukkan
PDF
121 halaman
Halaman
1-3
Anda dapatkan
Status
Demi keamanan, alat ini mendukung hingga 120 halaman sekali proses. Gunakan rentang halaman untuk memproses bagian yang lebih kecil.

Jumlah halaman seluruh file diperiksa sebelum rentang digunakan. Jadi file 121 halaman ditolak meskipun Anda hanya meminta tiga halaman. File 120 halaman dengan rentang 119-120 berhasil.

Dihitung dengan kode alat itu sendiri.

Kapan berguna

  • Salin kata-kata dari surat, formulir, atau halaman cetak hasil pindai ke email atau dokumen.
  • Dapatkan teks artikel atau bab buku hasil pindai agar Anda dapat mencarinya atau mengutipnya.
  • Ambil teks dari PDF yang tidak membiarkan Anda memilih kata dengan mouse.
  • Ubah beberapa halaman kontrak atau laporan hasil pindai menjadi teks yang dapat Anda baca di layar kecil.
  • Baca handout hasil pindai dalam salah satu dari 16 bahasa yang ditawarkan di halaman.
  • Baca hanya satu bab dari buku pindaian yang panjang dengan mengetik rentang halamannya.

Batasan yang perlu diingat

  • Bahasa OCR adalah Inggris, Spanyol, Prancis, Jerman, Portugis, Arab, Mandarin Sederhana, Jepang, Korea, Hindi, Bengali, Rusia, Urdu, Turki, Vietnam, dan Indonesia. Hanya satu yang dapat dipilih per proses, dan halaman tidak dapat mendeteksi bahasanya sendiri.
  • Seluruh file boleh memiliki paling banyak 120 halaman, meskipun Anda meminta lebih sedikit dengan rentang halaman. Untuk file yang lebih panjang, pisahkan dulu dengan alat PDF.
  • Halaman dianggap sebagai teks asli hanya jika memiliki lebih dari 20 karakter yang dapat dipilih. Halaman lain digambar sebagai gambar dan dibaca dengan OCR, meskipun ada beberapa karakter lepas di dalamnya.
  • Halaman digambar dengan ukuran hingga 1.7 kali ukurannya dan tidak lebih lebar dari sekitar 1,800 piksel sebelum dibaca, jadi cetakan yang sangat kecil, tinta pudar, kolom, tabel, dan tulisan tangan sering salah dibaca.
  • Hasilnya hanya teks biasa. Tata letak, gambar, tabel, dan font tidak dipertahankan, halaman berbasis teks keluar tanpa jeda baris, dan tidak dibuat PDF yang dapat dicari.
  • Menekan Batal menghentikan pembacaan setelah halaman yang sedang diproses. Teks halaman yang sudah dibaca dipertahankan, dan Anda dapat menekan Ekstrak lagi.

Tips

  • Coba satu atau dua halaman dahulu dengan mengetik rentang seperti 1-2. Periksa bahasa dan kualitasnya, lalu jalankan seluruh file.
  • Pilih bahasa teks cetak, bukan bahasa layar Anda. Pilihan yang salah menghilangkan aksen dan salah membaca huruf.
  • Gunakan hasil pindai yang lurus, tajam, dan terang. Halaman yang miring, buram, atau berbayang menghasilkan teks yang lebih buruk.
  • Baca hasil dengan membandingkannya dengan halaman, terutama untuk angka, tanggal, nama, dan jumlah, di mana satu digit yang salah berarti.
  • Pecah file panjang menjadi bagian-bagian yang kurang dari 120 halaman, dan proses bagian-bagian itu satu demi satu.
  • Biarkan tab ini tetap terbuka sampai pemindaian selesai, karena file yang panjang bisa memakan waktu di perangkat yang lambat.

Sumber

Pertanyaan umum

Tentang OCR dan ekstraksi teks PDF.

Bisakah saya menyalin teks dari PDF hasil pindai?

Ya. Pilih file dan bahasa, lalu tekan Ekstrak teks / OCR. Halaman yang hanya berupa gambar dibaca dengan OCR, dan teks muncul di kotak untuk disalin. Pengenalan dapat membuat kesalahan, jadi periksa hasilnya dengan halaman.

Apakah PDF saya diunggah ke server?

Tidak. PDF dibuka dan dibaca di browser Anda. Mesin OCR dan file bahasa dimuat dari file milik situs ini sendiri saat pertama kali diperlukan. Isi PDF Anda tidak dikirim ke mana pun.

Bahasa apa yang bisa dibacanya?

Tersedia 16: Inggris, Spanyol, Prancis, Jerman, Portugis, Arab, Mandarin Sederhana, Jepang, Korea, Hindi, Bengali, Rusia, Urdu, Turki, Vietnam, dan Indonesia. Anda memilih satu untuk setiap proses, jadi halaman dengan dua bahasa sebaiknya dipisah menjadi proses yang terpisah.

Mengapa saya harus memilih bahasa?

Mesin pembaca menggunakan file bahasa untuk mengetahui huruf dan kata apa yang diharapkan. Pilihan yang salah memberikan hasil yang salah, seperti aksen yang hilang. Bahasa hanya penting untuk halaman hasil pindai, karena teks asli disalin apa adanya.

Mengapa penggunaan pertama lambat?

Pada halaman pertama yang dipindai, browser harus mengunduh mesin OCR, beberapa megabyte, dan file bahasa, yang kira-kira 0.4 sampai 2 MB untuk bahasa yang ditawarkan. Halaman menyatakan browser Anda menyimpan file itu, sehingga proses berikutnya lebih cepat kecuali cache dibersihkan.

Bagaimana alat ini menentukan bahwa sebuah halaman memerlukan OCR?

Alat ini lebih dulu mencoba membaca teks yang tersimpan di setiap halaman. Jika sebuah halaman memiliki lebih dari 20 karakter teks yang dapat dipilih, teks itu yang dipakai. Jika tidak, halaman digambar sebagai gambar dan dibaca dengan OCR. Jika semua halaman memiliki teks, OCR tidak dijalankan dan tidak ada file bahasa yang dimuat.

Apakah alat ini membuat PDF yang dapat dicari?

Tidak. Alat ini memberi teks biasa untuk disalin, dan PDF asli Anda tidak berubah. Jika Anda memerlukan PDF dengan lapisan teks tersembunyi, Anda memerlukan alat lain.

Mengapa beberapa halaman keluar sebagai satu baris panjang?

Halaman yang sudah memiliki teksnya sendiri dibaca item demi item dan digabung dengan spasi, sehingga pemisah barisnya tidak dipertahankan. Halaman yang dibaca dengan OCR mempertahankan pemisah baris yang ditemukan pembaca pada gambar.

Seberapa akurat hasilnya?

Itu tergantung pada hasil pindaiannya. Cetakan yang bersih, besar, dan lurus dalam bahasa yang tepat terbaca dengan baik. Cetakan kecil, tinta pudar, tulisan tangan, kolom, dan tabel lebih sering salah. Selalu periksa nama, tanggal, dan angka sebelum Anda menggunakan teksnya.

Apakah ada batas jumlah halaman atau ukuran file?

File dapat memiliki paling banyak 120 halaman secara total. Kode halaman tidak menetapkan batas ukuran dalam megabyte, tetapi file besar memerlukan lebih banyak memori di perangkat Anda dan lebih lama, karena halaman dibaca satu demi satu.

Bagaimana cara menyimpan teks ke dalam file?

Tekan Unduh TXT untuk menyimpan file teks biasa, atau tekan Salin teks dan tempel ke editor. Kotak Teks yang diekstrak bersifat hanya-baca, jadi Anda tidak dapat mengedit di dalamnya. Setiap halaman diawali dengan baris seperti --- Halaman 1 ---, yang dapat Anda hapus di editor Anda.

Bisakah alat ini membaca tulisan tangan atau tabel?

Tidak dapat diandalkan. Mesin pembaca dibuat untuk teks cetak. Tulisan tangan sering salah dibaca, dan tabel keluar sebagai baris teks biasa tanpa baris dan kolomnya. Gunakan hasilnya sebagai draf yang Anda perbaiki dengan tangan.

Bagaimana cara kerja OCR dan ekstraksi teks PDF?

Ekstrak teks PDF atau kenali teks pada halaman hasil pemindaian. Pilih file, proses secara lokal, lalu unduh salinan baru.

Apakah file saya diunggah?

Pemrosesan dilakukan secara lokal; file tidak perlu diunggah.