Ghid practic
Cum extragi textul dintr-o imagine sau dintr-un PDF scanat
Un scan arată ca un document, dar pentru calculator este o fotografie. Nu puteți căuta în el, nu puteți copia un paragraf și nu puteți corecta o cifră greșită. OCR-ul — recunoașterea optică a caracterelor — se uită la formele de pe imagine și le transformă înapoi în litere.
Recunoaștere locală în trei pași
- Selectați imagini sau PDF-uri scanate. Le puteți amesteca în aceeași operație.
- Alegeți limba documentului. Este cea mai importantă setare — o limbă greșită strică rezultatul mai mult decât un scan mediocru.
- Porniți recunoașterea. Textul apare pe ecran și îl puteți descărca într-un fișier .txt.
Ce primiți, exact
Un singur fișier text, în UTF-8, cu diacriticele intacte. Dacă ați încărcat mai multe documente, fiecare secțiune este precedată de o linie care spune din ce fișier și de pe ce pagină provine, în forma --- document.pdf / pagina 3 ---. Așa nu se amestecă nimic când prelucrați rezultatul mai departe.
Nu primiți un PDF căutabil. Unealta nu suprapune un strat de text invizibil peste scanul original; extrage cuvintele și vi le dă separat. Dacă aveți nevoie de un PDF în care să căutați cu Ctrl+F, acesta nu este instrumentul potrivit.
Cele optsprezece limbi
Română, engleză, spaniolă, franceză, germană, italiană, portugheză, neerlandeză, poloneză, suedeză, turcă, indoneziană, vietnameză, rusă, ucraineană, arabă, hindi și thailandeză.
Fiecare limbă este împerecheată automat cu engleza, fiindcă documentele reale conțin aproape întotdeauna și termeni englezești — nume de produse, unități, abrevieri. Limba paginii pe care vă aflați este preselectată, dar schimbați-o dacă documentul e în altă limbă.
Prima rulare durează mai mult
Modelul lingvistic — câțiva megaocteți de date antrenate — se descarcă la prima folosire. Browserul îl păstrează, deci a doua oară pornește imediat.
Este singurul moment în care se folosește rețeaua, și se descarcă modelul, nu se încarcă documentul. Distincția contează: codul vine către dumneavoastră, fișierul nu pleacă nicăieri.
De ce iese uneori prost
Acuratețea depinde aproape în întregime de calitatea imaginii. Ce ajută:
- Scanați drept. Un text înclinat cu câteva grade scade vizibil rata de recunoaștere.
- Cel puțin 300 dpi. Sub acest prag, literele mici se lipesc între ele.
- Contrast bun. Text negru pe alb curat. Hârtia îngălbenită, umbrele de la telefon și fundalurile colorate încurcă motorul.
- Text tipărit. Scrisul de mână se recunoaște slab, indiferent de calitatea imaginii.
O poză făcută rapid cu telefonul, ținut oblic deasupra foii, va da un rezultat mult mai slab decât același document trecut prin scaner. Dacă rezultatul e dezamăgitor, aproape întotdeauna sursa e de vină, nu motorul.
Ce nu face
Nu transcrie înregistrări audio. OCR înseamnă recunoaștere de text din imagini. Pentru sunet ar fi nevoie de cu totul altă tehnologie.
Nu păstrează formatarea. Tabelele, coloanele și așezarea în pagină se pierd; primiți text curgător. Un document cu două coloane poate ieși cu rândurile amestecate.
Nu corectează greșelile. Ce citește greșit, așa vă dă. Recitiți rezultatul înainte să-l folosiți undeva unde contează.
Există un plafon de 40 de pagini pe operație, numărate peste toate fișierele selectate. Pentru un document mai lung, împărțiți-l întâi.
Când merită și când nu
Merită pentru: un contract scanat din care vreți să copiați o clauză, o factură veche de pe care trebuie să luați niște cifre, pagini de carte fotografiate, o captură de ecran cu text pe care nu-l puteți selecta.
Nu merită dacă documentul are deja text selectabil — încercați întâi să selectați cu mouse-ul. Dacă se selectează, textul e acolo și nu aveți nevoie de OCR.
De ce contează că se face local
Documentele pe care le treceți prin OCR sunt de obicei exact cele pe care nu le-ați urca nicăieri: contracte, acte de identitate, fișe medicale, corespondență. Serviciile obișnuite le trimit pe un server, unde sunt prelucrate și păstrate o vreme.
Aici motorul de recunoaștere rulează ca WebAssembly în browserul dumneavoastră. Documentul este citit din fișier, randat în memoria filei și analizat local.
Întrebări frecvente
Ce primesc la final — un PDF căutabil sau un fișier text?
Un fișier .txt simplu, în UTF-8. Textul apare și pe ecran, ca să-l puteți copia direct. Unealta nu construiește un PDF cu strat de text căutabil peste scan; extrage cuvintele și vi le dă separat.
De ce durează mult prima oară?
La prima folosire se descarcă modelul lingvistic, câțiva megaocteți. Browserul îl păstrează, deci următoarele rulări pornesc imediat. Modelul rulează apoi local — imaginea nu pleacă nicăieri.
Ce limbi recunoaște?
Optsprezece: română, engleză, spaniolă, franceză, germană, italiană, portugheză, neerlandeză, poloneză, suedeză, turcă, indoneziană, vietnameză, rusă, ucraineană, arabă, hindi și thailandeză. Fiecare este împerecheată cu engleza, fiindcă majoritatea documentelor conțin și termeni englezești.
Recunoaște scrisul de mână?
Slab, și nu vă bazați pe el. Motorul este antrenat pe text tipărit. Notițele de mână, semnăturile și formularele completate cu pixul se recunosc prost sau deloc.
Câte pagini pot prelucra deodată?
Până la 40 de pagini într-o operație, numărate peste toate fișierele selectate. Un document mai lung trebuie împărțit întâi cu unealta de împărțire PDF.
Cum obțin un rezultat mai bun?
Scanați drept și la cel puțin 300 dpi, cu contrast bun între text și fundal. O poză făcută cu telefonul în grabă, înclinată sau cu umbre, dă rezultate mult mai slabe decât același document scanat corect. Alegeți limba potrivită înainte de a porni.
Se încarcă documentele mele undeva?
Nu. Se descarcă modelul lingvistic, o singură dată, dar documentul nu pleacă de pe calculator. Recunoașterea se face în browser, în memoria filei.