OCR ja skannatut asiakirjat: Haettavat PDF:t ja tekstikerrokset
Optinen merkkientunnistus (OCR), tekstin poiminta ja skannattujen asiakirjojen haettavuus.
Tiedostot käsitellään paikallisesti selaimessasi WebAssembly- ja HTML5-rajapintojen avulla. Ne eivät poistu laitteeltasi, joten niitä ei ladata palvelimille eikä tallenneta kolmansien osapuolten palveluihin.
Aloita muuntaminen välittömästi omalla laitteellasi - ei latausodotusta, ei latausjonoja eikä etäpalvelimen asettamia hidastuksia.
Käytä kaikkia työkaluja ilman tilin luomista, maksullista tilausta tai keinotekoisia tiedostokokorajoituksia. Muunna tiedostoja niin usein kuin selaimesi ja laitteesi sallivat.
Muotojen vertailu ja tekniset tiedot
| Tulostusmuoto | MIME-tyyppi | Määritys | Tyyppi |
|---|---|---|---|
| PDF Skannattu | application/pdf | ISO-32000-2 | Bittikartoitettu skannattu PDF |
| IMG Skannattu kuva | image/jpeg | W3C-PNG | Skannattu asiakirjakuva |
| TXT Poimittu teksti | text/plain | RFC-4180-CSV | Poimitun tekstin tuloste |
| DOCX Word-asiakirja | application/vnd.openxmlformats-officedocument.wordprocessingml.document | ISO-IEC-29500 | Microsoft Word OpenXML -asiakirja |
| HOCR HTML | text/html | HOCR-SPEC-12 | hOCR-tilamerkintä |
| PNG Asiakirjan PNG-kuva | image/png | W3C-PNG | Korkearesoluutioinen skannattu PNG-kuva |
| JPG Asiakirjan JPG-kuva | image/jpeg | W3C-PNG | Skannattu asiakirjan JPEG-kuva |
| PDF tiedosto | application/pdf | ISO-32000-2 | Siirrettävä asiakirjamuoto |
Tekniset tiedot ja koodekkien erittely
Miten haettavat PDF-tiedostot toimivat
Skannattu asiakirja on pelkkä kuva paperista. OCR-ohjelma tunnistaa kirjainten muodot ja lisää kuvan päälle näkymättömän tekstikerroksen, jonka tekstiä voi valita. Kun valitset tekstiä tai haet sitä PDF-tiedostosta, käytät tätä näkymätöntä tekstikerrosta.
Skannaustarkkuuden valinta OCR:ää varten
Suositeltu tarkkuus riippuu aineistosta ja käyttötarkoituksesta. Yhdysvaltain kansallisarkisto suosittelee vähintään 300 pikseliä tuumalle nykyaikaisille painetuille tekstiasiakirjoille; pienet yksityiskohdat tai muu tallennustavoite voi vaatia suurempaa tarkkuutta. Testaa edustavia sivuja ja tasapainota luettavuus, OCR-tulos ja tiedostokoko.
Ulkoisille palvelimille ei ole ladattu yhtään tavua. Kaikki käsittely tapahtui paikallisesti selaimen hiekkalaatikossa.