OCR a naskenované dokumenty: Prohledávatelné soubory PDF a textové vrstvy
Optické rozpoznávání znaků (OCR), extrakce textu a prohledávatelnost naskenovaných dokumentů.
Soubory se zpracovávají lokálně ve vašem prohlížeči pomocí technologií WebAssembly a HTML5 API. Nikdy neopustí vaše zařízení, takže nedochází k nahrávání na server ani k ukládání souborů třetími stranami.
Začněte převádět okamžitě na svém vlastním zařízení - bez čekání na nahrání, fronty ke stažení a bez omezování rychlosti vzdáleným serverem.
Využívejte všechny dostupné nástroje bez nutnosti vytvářet účet, platit za předplatné nebo narážet na umělé limity velikosti souborů. Převádějte soubory tak často, jak to váš prohlížeč a zařízení zvládnou.
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 Přepis v prostém textu | text/plain | RFC-4180-CSV | Neformátovaný přepis titulků |
| 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. Software OCR rozpozná tvary písmen a vloží přímo na obrázek neviditelnou textovou vrstvu, kterou lze označovat. Když v souboru PDF zvýrazníte nebo vyhledáváte text, vybíráte tuto neviditelnou textovou vrstvu.
Volba rozlišení skenu pro OCR
Doporučené rozlišení závisí na materiálu a účelu. Pokyny amerického Národního archivu doporučují alespoň 300 pixelů na palec pro moderní papírové textové dokumenty; jemné detaily nebo jiný cíl snímání mohou vyžadovat vyšší hodnotu. Otestujte reprezentativní stránky a vyvažte čitelnost, výsledky OCR a velikost souboru.
0 bajtů odesláno na externí servery. Veškeré zpracování probíhalo lokálně v sandboxu vašeho prohlížeče.