Gescande PDF naar tekst omzetten

Q: Waarom raakt de tekst van een pagina met twee kolommen door elkaar?

Kolommen blijven gescheiden als **Tekstopmaak** op Opmaak behouden staat, de standaard hier. Wisselen regels van beide kolommen toch af, dan is de ruimte ertussen op de scan smal; een schonere scan met rechte pagina's lost dat meestal op.

Kunt u in een PDF geen enkel woord markeren, dan is het een scan: een stapel paginafoto's zonder tekst erin. Upload het bestand hier en OCR zet elke pagina om in platte tekst die u kunt kopiëren, doorzoeken en bewerken.

of sleep PDF, JPG, JPEG …-bestanden hierheen ·

Max. 95 MB per bestand· Tot 20 bestanden· Verwijderd na 30 minuten

Uitvoer

Taal van het document

Uitvoer

Soort tekst

Bestanden worden op onze servers verwerkt en na 30 minuten verwijderd.

Zo gebruikt u deze tool

1
Upload de gescande PDF
Voeg de PDF toe, of maximaal 20 bestanden, elk tot 95 MB. TIFF-scans met meerdere pagina's en afbeeldingen van één pagina werken ook.
2
Kies de taal en de pagina's
Taal van het document staat op Engels en Uitvoer op Platte tekst (.txt). Wijzig de taal voor andere documenten en gebruik onder Geavanceerde instellingen de optie Pagina's om alleen een bereik van een lang bestand te lezen.
3
Tekst herkennen
Klik op Tekst herkennen. De pagina's worden eerst rechtgezet en rechtop gedraaid en daarna op volgorde gelezen in één tekstbestand.

Gescande PDF of doorzoekbare PDF: waarom de tekst ontbreekt

PDF met alleen beeldgescande PDF · niet-doorzoekbare PDF · platte PDF: Een PDF waarvan de pagina's als afbeeldingen zijn opgeslagen, meestal gemaakt door een scanner, de scan-naar-e-mailfunctie van een kopieermachine of een scan-app op een telefoon. Hij ziet eruit als een document, maar bevat geen tekencodes, dus niets is te selecteren, te doorzoeken of voor te lezen.

Een gewone PDF uit Word of een browser bevat tekstobjecten: elk woord is opgeslagen als tekens met een lettertype en een positie, dus zoeken en kopiëren werken. Een scanner slaat dat over en bewaart één afbeelding per pagina. Voor een computer is de pagina met uw contract hetzelfde soort gegevens als een foto van een kat.

OCR bouwt de ontbrekende laag opnieuw op. De paginafoto wordt opgeschoond, regels en woorden worden gevonden en elke lettervorm wordt vergeleken met het alfabet van de gekozen Taal van het document. Deze pagina geeft dat resultaat als platte tekst terug. Een doorzoekbare PDF is het andere gangbare resultaat: de scan blijft zichtbaar en de herkende woorden worden als onzichtbare tekst erachter gezet, een weergavemodus die de PDF-standaard, ISO 32000, altijd heeft toegestaan.

De gratis Adobe Acrobat Reader kan een scan weergeven maar voert geen OCR uit; herkenning zit in de betaalde Acrobat-versies. Een converter is de snelle weg als u de woorden eenmalig nodig hebt en geen extra abonnement wilt. Komen uw scans nog zwak uit, dan behandelt onze gids over documenten scannen naar PDF de instellingen van scanner en telefoon.

Scanresolutie voor tekst uit een gescande PDF

Size	Pixels	cm	in	DPI	Fits
Letter	1700 × 2200	21,59 × 27,94	8,5 × 11	200	Alleen grote, schone druk; kleine tekst wordt geraden
Letter	2550 × 3300	21,59 × 27,94	8,5 × 11	300	Standaard voor OCR van gedrukte pagina's
A4	2480 × 3508	21 × 29,7	8,27 × 11,69	300	Hetzelfde detail op A4-papier
A4	3307 × 4677	21 × 29,7	8,27 × 11,69	400	Voetnoten, kleine letters, oude typemachinepagina's

Als de tekst uit een gescande PDF niet klopt

Woorden komen als onzin uit over een hele pagina
De pagina staat waarschijnlijk in een andere taal of ander schrift. Stel Taal van het document daarop in en voeg Ook herkennen toe voor een tweede taal op dezelfde pagina.
Regels zijn midden in de zin afgebroken en woorden eindigen op afbreekstreepjes
Dat volgt de gedrukte regeleinden. Kies Doorlopende platte tekst onder Tekstopmaak voor één doorlopend tekstblok; overgebleven streepjes vragen om even zoeken en vervangen.
Sommige pagina's ontbreken in het tekstbestand
Controleer of Pagina's onder Geavanceerde instellingen op Alle pagina's staat. Een bereik zoals 1-3 beperkt de herkenning met opzet.

PDF

Portable Document Format

PDF is in 1993 door Adobe ontwikkeld en werd in 2008 de open ISO 32000-standaard. Het legt tekst, lettertypen, afbeeldingen en opmaak vast, zodat een document op elk scherm en elke printer er hetzelfde uitziet. PDF's kunnen formulieren, handtekeningen, links, bijlagen en doorzoekbare tekst bevatten, en de variant PDF/A wordt gebruikt voor langetermijnarchivering. Door de vaste opmaak zijn PDF's lastig te bewerken, en gescande PDF's bevatten alleen afbeeldingen, tenzij OCR is toegepast. Elke browser en elk besturingssysteem kan ze openen.

Compressie: –
Transparantie: Ja
Animatie: Nee
Geïntroduceerd: 1993 · Adobe

PDF-converter

TXT

Platte tekst

Een TXT-bestand bevat alleen gewone tekens, zonder opmaak, lettertypen, afbeeldingen of lay-out. Moderne tekstbestanden zijn meestal gecodeerd in UTF-8, dat alle talen dekt, al kunnen oudere bestanden een andere codering gebruiken en onleesbare tekens tonen. Platte tekst is piepklein, veroudert nooit en opent op elk apparaat, van telefoon tot server. Het kan geen vetgedrukte tekst, tabellen of afbeeldingen bevatten, dus structuur moet worden uitgedrukt met witruimte of eenvoudige opmaaktaal.

Compressie: –
Transparantie: –
Animatie: –
Geïntroduceerd: –

TXT-converter

Een gescande PDF bevat afbeeldingen van pagina's, dus de woorden kunt u niet kopiëren, doorzoeken of indexeren; door ze in een TXT-bestand te herkennen wordt de scan tekst die werkt in een editor, een vertaler of een zoekvak.

Vragen over gescande PDF naar tekst

Hoe zie ik of mijn PDF gescand is of al tekst bevat?

Probeer een zin te selecteren of met Ctrl+F of Command+F naar een woord te zoeken. Als de cursor de hele pagina als een plaatje selecteert en zoeken niets vindt, is het een scan met alleen beeld en is OCR nodig. Als woorden gewoon oplichten, staat de tekst er al in en haalt PDF naar TXT die er precies uit, zonder herkenningsstap.

Wat is beter: platte tekst of een doorzoekbare PDF?

Platte tekst is bedoeld om de woorden opnieuw te gebruiken: citeren, vertalen, plakken in een database of e-mail. Een doorzoekbare PDF behoudt het uiterlijk van de scan en verbergt de tekst erachter, wat past bij archieven en contracten. Wilt u het laatste, dan is OCR PDF daarvoor ingericht.

Welke scanresolutie geeft de beste tekst uit een PDF?

300 DPI voor gewone gedrukte pagina's. De documentatie van Tesseract beschrijft dat de nauwkeurigheid daalt voor tekst kleiner dan ongeveer 10 pt bij 300 DPI, dus voetnoten en kleine letters hebben baat bij 400 DPI. 600 DPI helpt OCR zelden en maakt de PDF meerdere keren groter.

Kan ik tekst halen uit een gescande PDF van een getypte of oude boekpagina?

Meestal wel. Typemachine- en boekletters zijn gewone drukletters en Pagina's rechtzetten corrigeert de scheefstand die vaak ontstaat bij het scannen van een gebonden boek. Zeer vergeelde pagina's lezen beter met Contrast verbeteren ingeschakeld.

Waarom raakt de tekst van een pagina met twee kolommen door elkaar?

Kolommen blijven gescheiden als Tekstopmaak op Opmaak behouden staat, de standaard hier. Wisselen regels van beide kolommen toch af, dan is de ruimte ertussen op de scan smal; een schonere scan met rechte pagina's lost dat meestal op.