OCR na spletu

Optično prepoznavanje znakov je starejše od osebnega računalnika: Kurzweilov bralni stroj je leta 1976 slepim uporabnikom glasno bral tiskane knjige. Odprtokodni pogon Tesseract je nastal v podjetju Hewlett-Packard v osemdesetih letih, leta 2005 je bil objavljen kot odprta koda, leta 2018 pa je v različici 4.0 dobil prepoznavalnik z nevronsko mrežo (LSTM). Sodobni pogoni poiščejo območja besedila, nato vrstice in vsako vrstico prepoznajo kot zaporedje, ne črko za črko, zato se bolje spopadajo z gostim razmikom in ligaturami kot starejša programska oprema.

Rezultat je besedilo s položaji. Izberite Navadno besedilo (.txt), ko želite besede prilepiti drugam, Word (.docx) za urejanje z ohranjeno postavitvijo, PDF z iskanjem, ko mora sken ostati nespremenjen, in Markdown za zapiske in dokumentacijo. Študenti ga uporabljajo za pretekle izpite in natisnjeno gradivo, pisarne za račune in pisma, razvijalci za posnetke zaslona z napakami.

OCR prepoznava znake, ne pomena. Ne more biti prepričan, ali je vrstica naslov ali podnapis, ne more prebrati besedila pod žigom in ne ve, ali je napačno prebrana številka smiselna. Grafikoni, diagrami in fotografije niso opisani; prebrane so le besede, natisnjene v njih. Matematični zapis je izpisan kot navadni znaki, ne kot enačbe.

Ni tudi prevajalnik: rezultat je v jeziku izvirnika. Za dokument, ki že vsebuje pravo besedilo, OCR ni pravo orodje, saj PDF v besedilo obstoječe besedilo prebere hitreje in brez napak. Za skene, ki naj ostanejo PDF, uporabite OCR PDF, za izhod v Wordu iz slik pa sliko v Word.