OCR ng PDF
Gawing mahahanap ang na-scan na PDF, para mapili at makopya mo ang mga salita nito. Pareho pa rin ang itsura ng mga pahina; ipinapatong ang mga salita bilang layer na hindi nakikita. Lahat ay tumatakbo sa browser mo, kaya hindi umaalis ang scan mo sa device na ito.
I-drop ang na-scan na PDF dito
Nananatili ang file mo sa device na ito. Walang ina-upload.
Paano i-OCR ang na-scan na PDF para mahanap ang teksto
- I-drop ang na-scan na PDF sa kahon sa itaas, o pindutin ang “Pumili ng PDF file”. Titingnan ng pahina kung aling mga pahina ang larawan at alin ang may teksto na.
- Piliin ang wikang ginamit sa dokumento. Ipinapakita ang laki ng download nito bago may ma-download.
- Pindutin ang “Gawing mahahanap at i-download” at maghintay habang binabasa ang bawat pahina. Puwede mong pindutin ang “Ihinto” kahit kailan.
- Buksan ang na-download na PDF at hanapin ang kahit anong salita. Kung mga salita lang ang kailangan mo, pindutin ang “I-download ang teksto (.txt)”.
OCR ng PDF: ano ang ginagawa nito
Sine-save ng mga scanner at scanning app sa phone ang bawat pahina bilang larawan. Mukhang dokumento ang PDF pero parang litrato kung gamitin: hindi mo ito mahahanapan, hindi ka makakapili ng pangungusap, at hindi ito mababasa nang malakas. Binabasa ng tool na ito ang mga salita sa bawat larawan at inilalatag ang mga ito sa pahina bilang tekstong hindi nakikita, kaya nagiging nahahanap ang parehong file.
Ang ginagawa nito
- Binabasa ang nakaprint na teksto sa mga na-scan na pahina at idinadagdag ito bilang layer na hindi nakikita pero nahahanap, pahina por pahina
- Eksaktong pareho pa rin ang itsura ng bawat pahina; walang iginuguhit o kino-compress ulit
- Nilalaktawan ang mga pahinang may teksto na, at sinasabi kung alin ang mga iyon
- Nakakabasa ng labing-anim na wika, kasama ang Chinese, Japanese, Korean, Hindi at Nepali, at dina-download lang mula sa site na ito ang bawat isa kapag pinili mo
- Ibinibigay din ang nabasang teksto bilang .txt file
Ang hindi nito ginagawa
- Mag-upload ng scan mo; sa tab na ito ng browser tumatakbo ang engine na nagbabasa
- Magbasa ng sulat-kamay
- Isalba ang pangit na scan: may mga mali sa kupas, malabo, napakaliit o tagilid na print, at pinapangalanan ang mga pahinang nahirapan ito
- Buuin ulit ang layout bilang dokumentong maeedit; kayang kunin ng “PDF sa Word” ang teksto mula sa nahahanap na file pagkatapos
- Magbasa ng Arabic o iba pang sistema ng pagsulat na mula kanan pakaliwa, sa ngayon
- Ituwid ang mga nakahigang pahina; gamitin muna ang “Iikot ang PDF”
Huling na-update
Kailangan mo bang ipadala ito sa iba?
Ang kapatid naming site na QRSansar ay nagho-host ng dokumento at nagbibigay ng maikling link at QR code para rito. Magagamit ito sa WhatsApp, sa slide, sa poster o sa naka-print na handout, at hindi mo na kailangang isipin ang limit sa laki ng attachment. Puwede mong palitan ang file kahit kailan, at gagana pa rin ang link at ang QR code.
Para malinaw ang pagkakaiba: hosting service iyon, kaya ina-upload doon ang file mo. Lahat ng nasa PDFsansar ay nananatili sa device mo. Ang pag-share lang ang trabahong hindi puwedeng ganoon.
Mag-share ng dokumento sa QRSansar →Iba pang tool
Lahat libre, at lahat tumatakbo sa tab na ito nang walang ina-upload.
OCR ng PDF: mga madalas itanong
Ina-upload ba ang scan ko?
Hindi. Sa tab na ito ng browser tumatakbo ang engine na nagbabasa, ang Tesseract. Sa unang gamit, dina-download ang engine at ang wikang pinili mo mula sa site na ito, hindi mula sa site ng iba, at itinatabi ito ng browser mo. Binabasa at isinusulat ulit ang mismong PDF sa device na ito, at hindi ito ipinapadala kahit saan.
Mag-iiba ba ang itsura ng mga pahina?
Hindi. Eksaktong pareho pa rin ang bawat pahina. Pumapasok ang mga salita bilang layer na hindi nakikita, nakapuwesto kung saan sila lumalabas sa scan, kaya kapag pumili ka ng pangungusap, tumatama ang highlight sa mga nakaprint na salita. Walang iginuguhit o kino-compress ulit, at ilang kilobyte lang kada pahina ang nadadagdag sa file.
Anong mga wika ang kaya nitong basahin?
Ingles, Spanish, French, German, Portuguese, Italian, Indonesian, Malay, Filipino, Swahili, Vietnamese, Hindi, Nepali, Pinasimpleng Chinese, Japanese at Korean. Piliin ang wikang ginamit sa dokumento; dina-download lang ang bawat isa kapag pinili mo, at ipinapakita muna ang laki nito. Wala pang Arabic: kaya itong basahin, pero baligtad na ipinapakita ng ilang PDF reader ang resulta, at walang silbi ang paghahanap na hindi makahanap ng mga salita.
Gaano ito katagal?
Ilang segundo kada pahina sa computer. Sinukat sa isang 4-core na makina sa Chrome, 3 hanggang 9 na segundo kada pahina ang average: resibo ang pinakamabilis, buong pahina ng maliit na print ng magazine ang pinakamabagal, at 11 segundo ang pinakamatagal na iisang pahina. Mas mabagal sa phone. Sa unang beses, dina-download muna ang engine at ang wika bago magsimula ang pagbasa, mga 4 MB para sa Ingles, at pagkatapos noon ay itinatabi na ito ng browser mo. Puwede mo itong iwang tumatakbo sa ibang tab, at gumagana ang “Ihinto” kahit kailan.
Gaano ito katumpak?
Sa malinis na nakaprint na pahina, halos lahat ng salita: sa dalawang pahina ng magazine at report mula sa isang karaniwang OCR test set, 99% ng mga salita ang nabasa nang tama. Sa totoong na-scan na form sa German, Spanish, French, Japanese at Chinese, 91 hanggang 96%. Sa na-scan na resibo mula sa tindahan, maliit na print sa thermal paper, 79%. Kadalasang nasa pangalan, numero at maliit na print ang mga mali, kaya tingnan muna ang mga iyon bago ka umasa sa resulta. Pagkatapos, pinapangalanan nito ang mga pahinang nahirapan itong basahin.
Ano ang nangyayari sa mga pahinang may teksto na?
Hindi ginagalaw ang mga iyon, at sinasabi ng pahina kung alin sila bago magsimula. Kung babasahin ulit ang mga iyon, magkakaroon ng pangalawang kopya ang bawat salita sa ibabaw ng una. Kung may teksto na ang lahat ng pahina, sasabihin nito iyon at walang gagawin.
Kaya ba nitong basahin ang sulat-kamay?
Hindi. Para sa nakaprint na teksto ginawa ang Tesseract. Walang saysay ang lumalabas sa sulat-kamay, o wala talagang lumalabas, at pinapangalanan pagkatapos ang pahinang walang nabasang kahit ano.
Puwede ko bang makuha ang teksto nang hiwalay?
Oo. Pagkatapos, may button para sa teksto bilang .txt file, nakaayos ayon sa pahina. Kasama rin ang mga pahinang may teksto na dati, kung ano sila.