تبدیل PDF اسکن‌شده به متن
اگر نمی‌توانید حتی یک کلمه از PDF را انتخاب کنید، فایل اسکن‌شده است: مجموعه‌ای از عکس صفحات بدون هیچ متنی در آن. آن را اینجا بارگذاری کنید تا OCR همهٔ صفحات را به متن ساده‌ای تبدیل کند که می‌توانید کپی، جستوجو و ویرایش کنید.
تبدیل عکس به متن
یا فایل‌های PDF, JPG, JPEG … را اینجا رها کنید ·
حداکثر 95 MB برای هر فایل· تا 20 فایل· حذف پس از 30 دقیقه
فایل‌ها روی سرورهای ما پردازش میشوند و پس از 30 دقیقه حذف میشوند.
برای صفحههایی که دو زبان را ترکیب میکنند، مثلاً هندی با واژههای انگلیسی. در غیر این صورت روی «هیچکدام» بگذارید؛ زبان اضافه دقت را اندکی کم میکند.
«حفظ» ستونها، پاراگرافها و جدولها را سر جایشان نگه میدارد. «ساده» یک بلوک متن پیوسته میدهد که جایگذاری آن در فرمها آسانتر است.
برای ورودی PDF و TIFF چندصفحه‌ای: همه صفحه‌ها، فقط صفحه اول یا یک بازه را بخوانید.
صفحههایی که باید خوانده شوند، مثلاً 1-3, 5, 8-10.
نحوه استفاده از این ابزار
- 1
PDF اسکن‌شده را بارگذاری کنید
فایل PDF را اضافه کنید، یا حداکثر 20 فایل که هرکدام تا 95 MB باشند. اسکن‌های TIFF چندصفحه‌ای و تصاویر تک‌صفحه‌ای هم پشتیبانی میشوند.
- 2
زبان و صفحات را تعیین کنید
زبان سند روی انگلیسی و خروجی روی متن ساده (.txt) تنظیم شده است. برای سندهای دیگر زبان را تغییر دهید و در تنظیمات پیشرفته با گزینهٔ صفحه‌ها فقط بخشی از یک فایل طولانی را بخوانید.
- 3
متن را استخراج کنید
روی تشخیص متن بزنید. ابتدا صفحه‌ها صاف و سر و ته‌شان درست می‌شود، سپس به ترتیب خوانده شده و در یک فایل متنی قرار می‌گیرند.
PDF اسکن‌شده در برابر PDF قابل جستوجو: چرا متن وجود ندارد
- PDF فقط‌تصویریPDF اسکن‌شده · PDF غیرقابل جستوجو · PDF تخت
- PDFی که صفحه‌هایش به‌صورت تصویر ذخیره شده است، معمولاً خروجی اسکنر، قابلیت ارسال اسکن با ایمیل در دستگاه کپی یا برنامهٔ اسکن موبایل. شبیه سند به نظر می‌رسد، اما کد نویسه‌ای در آن نیست، پس چیزی قابل انتخاب، جستوجو یا خواندن با صدا نیست.
PDF معمولی که از Word یا مرورگر ساخته می‌شود شیء متنی دارد: هر کلمه با نویسه، فونت و موقعیت ذخیره می‌شود و جستوجو و کپی کار میکند. اسکنر همهٔ این‌ها را کنار می‌گذارد و برای هر صفحه یک تصویر ذخیره میکند. برای رایانه، صفحه‌ای که قرارداد شما روی آن است همان نوع داده‌ای است که عکس یک گربه است.
OCR لایهٔ گم‌شده را بازسازی میکند. تصویر صفحه پاکسازی می‌شود، خط‌ها و کلمه‌ها پیدا میشوند و شکل هر نویسه با الفبای زبان سند انتخاب‌شده تطبیق داده می‌شود. این صفحه نتیجه را به‌صورت متن ساده برمی‌گرداند. PDF قابل جستوجو خروجی رایج دیگر است: اسکن همچنان دیده می‌شود و کلمه‌های تشخیص‌داده‌شده به‌صورت متن نامرئی پشت آن اضافه میشوند، حالتی از نمایش که استاندارد PDF یعنی ISO 32000 همیشه اجازه داده است.
Adobe Acrobat Reader رایگان می‌تواند اسکن را نمایش دهد اما OCR انجام نمی‌دهد؛ تشخیص متن بخشی از نسخه‌های پولی Acrobat است. اگر فقط یک بار به متن نیاز دارید و اشتراک دیگری نمی‌خواهید، مبدل راه میان‌بر است. اگر اسکن‌هایتان هنوز ضعیف است، راهنمای ما دربارهٔ اسکن سند به PDF تنظیمات اسکنر و موبایل را توضیح میدهد.
وضوح اسکن برای استخراج متن از PDF اسکن‌شده
| Size | Pixels | cm | in | DPI | Fits |
|---|---|---|---|---|---|
| Letter | 1700 × 2200 | 21.59 × 27.94 | 8.5 × 11 | 200 | فقط برای چاپ درشت و تمیز؛ متن کوچک حدسی خوانده می‌شود |
| Letter | 2550 × 3300 | 21.59 × 27.94 | 8.5 × 11 | 300 | استاندارد برای OCR صفحههای چاپی |
| A4 | 2480 × 3508 | 21 × 29.7 | 8.27 × 11.69 | 300 | همین جزئیات روی کاغذ A4 |
| A4 | 3307 × 4677 | 21 × 29.7 | 8.27 × 11.69 | 400 | پاورقی، متن ریز، صفحههای قدیمی ماشین تحریر |
وقتی تبدیل PDF اسکن‌شده به متن درست انجام نمی‌شود
کلمه‌ها در کل صفحه بی‌معنی درمی‌آیند
احتمالاً صفحه به زبان یا خط دیگری است. زبان سند را مطابق آن تنظیم کنید و برای زبان دوم در همان صفحه تشخیص زبان دیگر را اضافه کنید.
خط‌ها وسط جمله شکسته میشوند و کلمه‌ها به خط تیره ختم میشوند
این از شکست خطهای چاپی پیروی میکند. برای یک بلوک متن پیوسته در چیدمان متن گزینهٔ جریان متن ساده را انتخاب کنید؛ خط تیره‌های باقی‌مانده با یک جای‌گزینی سریع پاک میشوند.
بعضی صفحه‌ها در فایل متنی نیستند
در تنظیمات پیشرفته بررسی کنید که صفحه‌ها روی همهٔ صفحه‌ها باشد. بازه‌ای مثل 1-3 عمداً تشخیص را محدود میکند.
فرمت سند قابل‌حمل
PDF را Adobe در سال ۱۹۹۳ ساخت و در سال ۲۰۰۸ به استاندارد باز ISO 32000 تبدیل شد. متن، فونت‌ها، تصاویر و چیدمان را ثابت نگه میدارد تا سند روی هر صفحه‌نمایش و چاپگر یکسان دیده شود. PDF می‌تواند شامل فرم، امضا، پیوند، پیوست و متن قابل جستوجو باشد و نوع PDF/A برای بایگانی بلندمدت به کار می‌رود. چیدمان ثابت ویرایش PDF را دشوار میکند و PDFهای اسکن‌شده تا وقتی OCR اعمال نشود فقط تصویر دارند. همه مرورگرها و سیستم‌عامل‌ها می‌توانند آن را باز کنند.
- فشرده‌سازی
- –
- شفافیت
- بله
- انیمیشن
- خیر
- سال معرفی
- 1993 · Adobe
TXT
متن ساده
فایل TXT فقط نویسه‌های ساده دارد، بدون قالب‌بندی، فونت، تصویر یا چیدمان. فایل‌های متنی امروزی معمولاً با UTF-8 کدگذاری میشوند که همه زبان‌ها را پوشش میدهد، اما فایل‌های قدیمی‌تر ممکن است کدگذاری دیگری داشته باشند و نویسه‌های نامفهوم نشان دهند. متن ساده بسیار کم‌حجم است، هرگز منسوخ نمی‌شود و روی هر دستگاهی از گوشی تا سرور باز می‌شود. نمی‌تواند متن پررنگ، جدول یا تصویر داشته باشد، پس ساختار باید با فاصله‌گذاری یا نشانه‌گذاری ساده بیان شود.
- فشرده‌سازی
- –
- شفافیت
- –
- انیمیشن
- –
- سال معرفی
- –
PDF اسکن‌شده تصویر صفحه‌ها را ذخیره میکند، پس کلمه‌هایش قابل کپی، جستوجو یا نمایه‌سازی نیستند؛ با تشخیص آنها در یک فایل TXT، اسکن به متنی تبدیل می‌شود که در ویرایشگر، مترجم و کادر جستوجو کار میکند.
پرسش‌های رایج دربارهٔ تبدیل PDF اسکن‌شده به متن
چطور بفهمم PDF من اسکن‌شده است یا از قبل متن دارد؟
سعی کنید یک جمله را انتخاب کنید یا با Ctrl+F یا Command+F دنبال یک کلمه بگردید. اگر نشانگر کل صفحه را مثل یک تصویر انتخاب میکند و جستوجو چیزی پیدا نمی‌کند، فایل فقط اسکن تصویری است و به OCR نیاز دارد. اگر کلمه‌ها به‌طور عادی هایلایت میشوند، متن از قبل وجود دارد و تبدیل PDF به TXT آن را بدون مرحلهٔ تشخیص و دقیقاً استخراج میکند.
خروجی متن ساده بهتر است یا PDF قابل جستوجو؟
متن ساده برای استفادهٔ دوبارهٔ کلمههاست: نقلقول، ترجمه، چسباندن در پایگاه داده یا ایمیل. PDF قابل جستوجو ظاهر اسکن را نگه میدارد و متن را پشت آن پنهان میکند که برای بایگانی و قراردادها مناسب است. اگر دومی را میخواهید، OCR PDF برای همین آماده شده است.
چه وضوح اسکنی بهترین متن را از PDF میدهد؟
برای صفحههای چاپی معمولی 300 DPI. مستندات Tesseract میگوید دقت برای متن کوچکتر از حدود 10 pt در 300 DPI کاهش مییابد، بنابراین پاورقی و متن ریز با 400 DPI بهتر خوانده میشوند. رفتن به 600 DPI بهندرت به OCR کمک میکند و حجم PDF را چند برابر میکند.
آیا می‌توان از PDF اسکن‌شدهٔ متن ماشین‌تحریر یا صفحهٔ کتاب قدیمی متن استخراج کرد؟
معمولاً بله. حروف ماشین تحریر و کتاب، حروف چاپی معمولی هستند و صاف کردن صفحات کجی ناشی از اسکن کتاب صحافی‌شده را اصلاح میکند. صفحههای بسیار کم‌رنگ با روشن بودن افزایش کنتراست بهتر خوانده میشوند.
چرا متن صفحههای دوستونی درهمریخته بیرون میآید؟
وقتی چیدمان متن روی حفظ چیدمان باشد، که پیشفرض همینجاست، ستونها از هم جدا میمانند. اگر باز هم خطهای دو ستون بهنوبت میآیند، فاصلهٔ بین آنها در اسکن کم است؛ اسکن تمیزتر با صفحههای صاف معمولاً مشکل را حل میکند.
- OCR PDFافزودن لایهٔ متنی قابل جستوجو به PDF اسکن‌شده یا استخراج متن به Word یا TXT. 34 زبان، انتخاب صفحات، 20 فایل همزمان، رایگان.
- تبدیل PDF به TXTتبدیل آنلاین و رایگان PDF به TXT. متن دیجیتال دقیق میماند، صفحات اسکن‌شده با OCR خوانده میشوند؛ خروجی یک فایل .txt با UTF-8 برای هر PDF.
- OCR آنلاین؛ تبدیل عکس به متنOCR آنلاین رایگان برای عکس، اسکرینشات و PDF اسکن‌شده. متن را کپی کنید یا Word، PDF قابل جستوجو یا Markdown بگیرید؛ با تواناییها و محدودیتهای OCR.
- تبدیل PDF به وردPDF را به ورد قابل ویرایش تبدیل کنید. متن به پاراگرافهای عادی برمیگردد، صفحات اسکنی با OCR در 34 زبان خوانده میشوند، تا 20 فایل با هم.
- تبدیل عکس به ورداسکرینشات، اسکن و عکس را به سند ورد قابلویرایش تبدیل کنید. پشتیبانی از 34 زبان، صفحات چندزبانه و دستخط خوانا. رایگان و بدون ثبتنام.