Можно ли скопировать текст из отсканированного PDF?
Да. Выберите файл и язык и нажмите «Извлечь текст / OCR». Страницы, которые являются только картинками, читаются OCR, и текст появляется в поле для копирования. Распознавание может ошибаться, поэтому сверяйте результат со страницей.
Загружается ли мой PDF на сервер?
Нет. PDF открывается и читается в вашем браузере. Движок OCR и языковой файл при первой необходимости загружаются из файлов этого же сайта. Содержимое вашего PDF никуда не отправляется.
Какие языки он может читать?
Доступно 16 языков: английский, испанский, французский, немецкий, португальский, арабский, китайский (упрощённый), японский, корейский, хинди, бенгальский, русский, урду, турецкий, вьетнамский и индонезийский. Язык выбирается для каждого запуска, поэтому страницу с двумя языками лучше разделить на отдельные запуски.
Почему мне нужно выбирать язык?
Движок распознавания использует языковой файл, чтобы знать, каких букв и слов ожидать. Неверный выбор даёт неверные результаты, например потерю диакритических знаков. Язык важен только для отсканированных страниц, потому что настоящий текст копируется как есть.
Почему первый запуск был медленным?
На первой отсканированной странице браузеру нужно загрузить движок OCR, несколько мегабайт, и языковой файл, который для предлагаемых языков занимает примерно от 0.4 до 2 MB. Страница сообщает, что браузер сохраняет файл, поэтому последующие запуски быстрее, если кэш не очищен.
Как инструмент решает, что странице нужно OCR?
Сначала он пытается прочитать текст, сохранённый на каждой странице. Если на странице больше 20 символов выделяемого текста, используется он. Если нет, страница отрисовывается как изображение и читается с помощью OCR. Если текст есть на всех страницах, OCR не запускается и языковой файл не загружается.
Создаёт ли он PDF с возможностью поиска?
Нет. Он даёт обычный текст для копирования, а исходный PDF не меняется. Если вам нужен PDF со скрытым текстовым слоем, понадобится другой инструмент.
Почему некоторые страницы выходят одной длинной строкой?
Страницы, в которых уже есть собственный текст, читаются элемент за элементом и объединяются пробелами, поэтому их разрывы строк не сохраняются. Страницы, прочитанные с помощью OCR, сохраняют разрывы строк, которые распознаватель нашёл на картинке.
Насколько точен результат?
Это зависит от скана. Чистая, крупная, ровная печать на нужном языке читается хорошо. Мелкий шрифт, бледные чернила, рукописный текст, колонки и таблицы чаще распознаются с ошибками. Всегда проверяйте имена, даты и числа, прежде чем использовать текст.
Есть ли ограничение на количество страниц или размер файла?
В файле может быть не более 120 страниц всего. В коде страницы нет ограничения размера в мегабайтах, но большие файлы требуют больше памяти устройства и обрабатываются дольше, так как страницы читаются одна за другой.
Как сохранить текст в файл?
Нажмите «Скачать TXT», чтобы сохранить обычный текстовый файл, или «Копировать текст» и вставьте его в редактор. Поле «Извлечённый текст» только для чтения, поэтому редактировать в нём нельзя. Каждая страница начинается со строки вроде --- Page 1 ---, которую можно удалить в редакторе.
Может ли он читать рукописный текст или таблицы?
Ненадёжно. Движок распознавания создан для печатного текста. Рукописный текст часто читается неверно, а таблицы выходят строками обычного текста без рядов и столбцов. Используйте результат как черновик, который вы исправляете вручную.
Как работает инструмент «OCR и извлечение текста из PDF»?
Извлекайте текст PDF или распознавайте текст на сканированных страницах. Выберите файл, обработайте его локально и скачайте новую копию.
Мои файлы загружаются на сервер?
Обработка локальная; отправлять файлы не нужно.