Szkennelt PDF szöveggé alakítása
Ha egyetlen szót sem tud kijelölni egy PDF-ben, akkor az szkennelt dokumentum: oldalfotók halmaza, szöveg nélkül. Töltse fel ide, és az OCR minden oldalt sima szöveggé alakít, amelyet másolhat, kereshet és szerkeszthet.
Kép szöveggé
vagy húzza ide a(z) PDF, JPG, JPEG … fájlok fájlokat ·
Legfeljebb 95 MB fájlonként· Legfeljebb 20 fájl· Törlés 30 perc után
A fájlokat szervereinken dolgozzuk fel, és 30 perc után töröljük.
Két nyelvet keverő oldalakhoz, pl. hindi angol szavakkal. Egyébként hagyja a Nincs értéken; egy további nyelv kissé rontja a pontosságot.
A megőrzés az oszlopokat, bekezdéseket és táblázatokat a helyükön hagyja. Az egyszerű egyetlen folyamatos szövegblokkot ad, amelyet könnyebb űrlapokba másolni.
PDF és többoldalas TIFF bemenetnél: minden oldal, csak az első vagy egy tartomány olvasása.
A beolvasandó oldalak, pl. 1-3, 5, 8-10.
Az eszköz használata
- 1
Töltse fel a szkennelt PDF-et
Adja hozzá a PDF-et, vagy akár 20 darabot egyszerre, egyenként legfeljebb 95 MB méretig. A többoldalas TIFF szkennelések és az egyoldalas képek is működnek.
- 2
Állítsa be a nyelvet és az oldalakat
A Dokumentum nyelve angol, a Kimenet pedig Egyszerű szöveg (.txt). Más dokumentumoknál módosítsa a nyelvet, a Speciális beállítások alatt pedig az Oldalak mezővel egy hosszú fájlnak csak egy részét olvastathatja be.
- 3
Szövegfelismerés indítása
Nyomja meg a Szövegfelismerés gombot. Az oldalak először kiegyenesedenek és felállnak, majd sorrendben egyetlen szövegfájlba kerülnek.
Szkennelt és kereshető PDF: miért hiányzik a szöveg?
- Csak képet tartalmazó PDFszkennelt PDF · nem kereshető PDF · lapos PDF
- Olyan PDF, amelynek oldalai képként vannak tárolva, jellemzően szkenner, másoló e-mailbe szkennelő funkciója vagy telefonos szkennelő alkalmazás készíti. Dokumentumnak látszik, de nincsenek benne karakterkódok, ezért semmi sem jelölhető ki, nem kereshető és nem olvastatható fel.
A Wordből vagy böngészőből exportált normál PDF szöveges objektumokat tartalmaz: minden szót karakterekként tárol betűtípussal és pozícióval, ezért a keresés és a másolás működik. A szkenner ezt kihagyja, és oldalanként egy képet ment. A számítógép számára a szerződését tartalmazó oldal ugyanolyan adat, mint egy cicafotó.
Az OCR újraépíti a hiányzó réteget. Megtisztítja az oldalképet, megtalálja a sorokat és a szavakat, majd minden karakterformát összeegyeztet a kiválasztott Dokumentum nyelve ábécéjével. Ez az oldal az eredményt egyszerű szövegként adja vissza. A másik gyakori eredmény a kereshető PDF: a szkennelés látható marad, a felismert szavak pedig láthatatlan szövegként kerülnek mögé, olyan megjelenítési móddal, amelyet a PDF szabvány, az ISO 32000 mindig is megengedett.
Az ingyenes Adobe Acrobat Reader meg tudja jeleníteni a szkennelést, de nem végez OCR-t; a felismerés a fizetős Acrobat verziók része. Az átalakító a gyors megoldás, ha egyszer van szüksége a szavakra, és nem akar újabb előfizetést. Ha a szkennelései még így is gyengék, dokumentumok PDF-be szkennelése útmutatónk a szkenner és a telefon beállításait ismerteti.
Szkennelési felbontás a szkennelt PDF szöveggé alakításához
| Size | Pixels | cm | in | DPI | Fits |
|---|---|---|---|---|---|
| Letter | 1700 × 2200 | 21,59 × 27,94 | 8,5 × 11 | 200 | Csak nagy, tiszta nyomtatásnál; az apró szöveget találgatja |
| Letter | 2550 × 3300 | 21,59 × 27,94 | 8,5 × 11 | 300 | Nyomtatott oldalak OCR-jének szokásos értéke |
| A4 | 2480 × 3508 | 21 × 29,7 | 8,27 × 11,69 | 300 | Ugyanez a részletesség A4-es papíron |
| A4 | 3307 × 4677 | 21 × 29,7 | 8,27 × 11,69 | 400 | Lábjegyzetek, apró betűs részek, régi írógépes oldalak |
Amikor a szkennelt PDF szöveggé alakítása rossz eredményt ad
A szavak egy egész oldalon értelmetlenek
Az oldal valószínűleg más nyelven vagy írásrendszerben van. Állítsa be hozzá a Dokumentum nyelve értékét, és a Felismerés ezen a nyelven is mezővel adjon meg egy második nyelvet ugyanarra az oldalra.
A sorok mondat közben megszakadnak, és a szavak kötőjelre végződnek
Ez a nyomtatott sortöréseket követi. Válassza a Szöveg elrendezése alatt az Egyszerű szövegfolyam lehetőséget, így egyetlen összefüggő szövegblokkot kap; a megmaradt kötőjelekhez gyors keresés és csere kell.
A szövegfájlból hiányzik néhány oldal
A Speciális beállítások alatt ellenőrizze, hogy az Oldalak értéke Összes oldal. Az olyan tartomány, mint az 1-3, szándékosan korlátozza a felismerést.
Portable Document Format
A PDF-et az Adobe hozta létre 1993-ban, és 2008-ban nyílt ISO 32000 szabvány lett. Rögzíti a szöveget, a betűtípusokat, a képeket és az elrendezést, így a dokumentum minden képernyőn és nyomtatón ugyanúgy néz ki. A PDF tartalmazhat űrlapokat, aláírásokat, hivatkozásokat, csatolmányokat és kereshető szöveget, a PDF/A változatot pedig hosszú távú archiválásra használják. A rögzített elrendezés miatt nehéz szerkeszteni, a beolvasott PDF-ek pedig csak képeket tartalmaznak, hacsak nem futtattak rajtuk OCR-t. Minden böngésző és operációs rendszer megnyitja.
- Tömörítés
- –
- Átlátszóság
- Igen
- Animáció
- Nem
- Bevezetés éve
- 1993 · Adobe
TXT
Egyszerű szöveg
A TXT fájl csak egyszerű karaktereket tartalmaz, formázás, betűtípus, kép és elrendezés nélkül. A modern szövegfájlok általában UTF-8 kódolásúak, amely minden nyelvet lefed, a régebbiek viszont más kódolást használhatnak, és ilyenkor értelmezhetetlen karakterek jelenhetnek meg. Az egyszerű szöveg parányi, soha nem avul el, és minden eszközön megnyílik a telefontól a szerverig. Nem tartalmazhat félkövér szöveget, táblázatot vagy képet, így a szerkezetet térközökkel vagy egyszerű jelöléssel kell kifejezni.
- Tömörítés
- –
- Átlátszóság
- –
- Animáció
- –
- Bevezetés éve
- –
A szkennelt PDF az oldalak képeit tárolja, ezért a szavai nem másolhatók, nem kereshetők és nem indexelhetők; ha TXT fájlba ismertetjük fel őket, a szkennelésből szöveg lesz, amely szerkesztőben, fordítóban vagy keresőmezőben is használható.
Kérdések a szkennelt PDF szöveggé alakításáról
Honnan tudhatom, hogy a PDF szkennelt, vagy már tartalmaz szöveget?
Próbáljon meg kijelölni egy mondatot, vagy keressen rá egy szóra a Ctrl+F vagy a Command+F billentyűkombinációval. Ha a kurzor az egész oldalt egy képként jelöli ki, és a keresés nem talál semmit, akkor ez egy csak képet tartalmazó szkennelés, és OCR kell hozzá. Ha a szavak normálisan kiemelődnek, a szöveg már benne van, és a PDF TXT-be eszköz pontosan kinyeri, felismerési lépés nélkül.
Sima szöveg vagy kereshető PDF a jobb eredmény?
Az egyszerű szöveg a szavak újrafelhasználására való: idézésre, fordításra, adatbázisba vagy e-mailbe másolásra. A kereshető PDF megtartja a szkennelés megjelenését, és a szöveget mögé rejti, ami archívumokhoz és szerződésekhez illik. Ha az utóbbit szeretné, az OCR PDF erre van felkészítve.
Milyen szkennelési felbontással lesz a legjobb a PDF-ből kinyert szöveg?
Normál nyomtatott oldalakhoz 300 DPI. A Tesseract dokumentációja szerint 300 DPI-nél a pontosság romlik a körülbelül 10 pontnál kisebb szövegeknél, ezért a lábjegyzeteknél és az apró betűs részeknél a 400 DPI jobb. A 600 DPI ritkán segít az OCR-nek, a PDF-et viszont többszörösére növeli.
Kinyerhető a szöveg egy írógéppel írt vagy régi könyvoldalt tartalmazó szkennelt PDF-ből?
Általában igen. Az írógép- és könyvbetűk szabályos nyomtatott betűk, az Oldalak kiegyenesítése pedig kijavítja a kötött könyv szkennelésekor gyakran keletkező dőlést. A nagyon kifakult oldalakat bekapcsolt Kontraszt javítása mellett olvassa jobban.
Miért keveredik össze a kéthasábos oldal szövege?
Az oszlopok szétválasztva maradnak, ha a Szöveg elrendezése értéke Elrendezés megőrzése, ami itt az alapértelmezés. Ha a két oszlop sorai még így is váltakoznak, a szkennelésen szűk a köztük lévő rés; egy tisztább, egyenes oldalakat adó szkennelés általában megoldja.
- PDF OCR – szövegfelismerésKereshető, kijelölhető szövegréteg szkennelt PDF-hez, vagy a szöveg kinyerése Word- vagy TXT-fájlba. 34 nyelv, oldaltartomány, 20 fájl egyszerre, ingyen.
- PDF TXT-be átalakítóPDF TXT-be alakítása ingyen. A digitális oldalak pontos karakterei megmaradnak, a szkennelteket OCR dolgozza fel; PDF-enként egy UTF-8 .txt fájl.
- Online OCRIngyenes online OCR fotókhoz, képernyőképekhez és szkennelt PDF-ekhez. Másolja a szöveget, vagy mentse Word, kereshető PDF vagy Markdown formátumban.
- PDF Word-be konvertálásPDF átalakítása szerkeszthető Word-dokumentummá. A szöveg normál bekezdésekbe rendeződik, szkennelt oldalakhoz OCR 34 nyelven, egyszerre 20 fájl.
- Kép Word-be konvertálásaKépernyőképek, szkennek és fotók átalakítása szerkeszthető Word-fájllá. 34 nyelv, vegyes nyelvű oldalak és kézírás. Ingyenes, regisztráció nélkül.