OCR a naskenované dokumenty: Prohledávatelné soubory PDF a textové vrstvy
Optické rozpoznávání znaků (OCR), extrakce textu a prohledávatelnost naskenovaných dokumentů.
Vaše soubory jsou zpracovávány výhradně ve vašem webovém prohlížeči pomocí HTML5 Canvas a WebAssembly. Z vašeho zařízení neopustí data ani v nejmenším.
Přeskočte fronty pro nahrávání a stahování. Konverze probíhají lokálně plnou rychlostí hardwaru vašeho zařízení bez serverových omezení.
V souladu s oficiálními specifikacemi ISO, W3C a IETF pro zaručení kompatibility výstupu v moderních operačních systémech.
Porovnání formátů a technické specifikace
| Výstupní formát | MIME typ | Specifikace | Typ |
|---|---|---|---|
| PDF Skenované | application/pdf | ISO-32000-2 | Rastrové skenované PDF |
| IMG Skenovaný obrázek | image/jpeg | W3C-PNG | Obrázek skenovaného dokumentu |
| TXT Prostý text | text/plain | RFC-4180-CSV | Neformátovaný prostý text |
| DOCX Dokument Word | application/vnd.openxmlformats-officedocument.wordprocessingml.document | ISO-IEC-29500 | Dokument Microsoft Word OpenXML |
| HOCR HTML | text/html | HOCR-SPEC-12 | Prostorové značkování hOCR |
| PNG Obrázek | image/png | W3C-PNG | Přenositelná síťová grafika |
| JPG Obrázek JPEG | image/jpeg | W3C-PNG | Kompresní formát pro fotografickou grafiku Joint Photographic Experts Group |
| PDF PDF | application/pdf | ISO-32000-2 | Formát přenositelného dokumentu (Portable Document Format) |
Technické specifikace a přehled kodeků
Jak fungují prohledávatelné soubory PDF
Naskenovaný dokument je pouze obrázek papíru. Motor OCR rozpozná tvary písmen a vloží neviditelnou, vybratelnou textovou vrstvu přímo nad obrázek. Když v souboru PDF zvýrazníte nebo vyhledáváte text, vybíráte tuto neviditelnou textovou vrstvu.
Ideální hodnota 300 DPI pro skenování
Skenování dokumentů při rozlišení 150 DPI způsobuje poškození písmen a špatnou přesnost OCR. Skenování při 600 DPI čtyřnásobně zvětšuje velikost souboru, aniž by se zlepšilo rozpoznávání textu. Hodnota 300 DPI představuje univerzální ideální bod pro vysokou přesnost OCR a kompaktní velikost souborů.
0 bajtů odesláno na externí servery. Veškeré zpracování probíhalo lokálně v sandboxu vašeho prohlížeče.