Сделайте отсканированный PDF доступным для поиска через OCR прямо в браузере - невидимый текстовый слой под оригинальными страницами, без загрузки файлов.
Обработка локально на вашем устройстве ...
0%
Ваши файлы так и не покинули устройство
Нет. Всё выполняется в вашем браузере - ваш файл никогда не покидает устройство. Как это можно проверить
Отсканированный PDF - это по сути стопка картинок: текст виден, но его нельзя выделить, найти или скопировать. OCR (оптическое распознавание символов) считывает буквы с изображения и размещает их как невидимый текстовый слой точно поверх страниц. Внешний вид не меняется, но PDF становится доступным для поиска и текст можно выделять - именно это нужно ведомствам, архивам и полнотекстовому поиску.
Выберите формат вывода: поисковый PDF (оригинальные страницы плюс текстовый слой) или простой текст TXT. Укажите язык документа из списка - более 100 языков от немецкого и английского через русский, арабский и хинди до японского, корейского и китайского, каждый под своим названием - чтобы символы распознавались правильно. Всё работает в браузере через WebAssembly: тот же Tesseract с открытым кодом, что и в инструменте "Изображение в текст", только применяется постранично ко всему PDF. При первом использовании движок и языковая модель загружаются один раз (несколько МБ, тот же источник); после этого работает офлайн.
Инструмент предназначен для отсканированных или графических PDF. Качество распознавания сильно зависит от качества скана: чёткие, прямые, контрастные страницы с печатным текстом распознаются очень хорошо; перекошенные или размытые - значительно хуже; рукопись ненадёжно. В поисковом PDF каждая страница заново встраивается как изображение - PDF, уже содержащий настоящий текст, в OCR не нуждается. Проверяйте результат для цифр и имён собственных.
| Входные форматы | |
|---|---|
| Выходной формат | |
| Пакетная обработка | Да |
| Обработка | Локально в браузере (WebAssembly) |
| Загрузка файлов | Отсутствует |
Ограничения: Для ОТСКАНИРОВАННЫХ / графических PDF: делает их доступными для поиска через OCR (невидимый текстовый слой) или возвращает простой текст. Распознаёт ПЕЧАТНЫЙ текст на более чем 100 языках и во многих алфавитах; рукопись ненадёжно. Примечание: невидимый текстовый слой в поисковом PDF использует шрифт Latin-1 - нелатинские символы (например CJK, арабский, кириллица) там не встраиваются; для таких алфавитов выберите вывод "Только текст (TXT)". В поисковом PDF каждая страница заново встраивается как изображение, макет сохраняется, но файл может вырасти; PDF с настоящим текстом в OCR не нуждается. Распознавание не идеально - проверяйте цифры и имена собственные. Движок и языковая модель загружаются один раз (несколько МБ, тот же источник), затем доступно офлайн. Большие PDF требуют времени и памяти в зависимости от числа страниц и устройства.
Нет. Рендеринг и распознавание выполняются полностью локально в браузере (WebAssembly); PDF никогда не покидает ваше устройство - особенно важно для договоров и официальной переписки.
Страница выглядит как скан, но под ней находится невидимый текстовый слой. Это позволяет искать по PDF, выделять и копировать текст - визуальное оформление при этом не меняется.
Да. Каждая страница встраивается как изображение оригинала, невидимый текстовый слой выровнен точно поверх. Внешний вид не меняется, но файл может немного вырасти.
Другие языки - да: доступно более 100 (включая арабский, русский, хинди, японский, корейский, китайский). Рукопись распознаётся ненадёжно, только печатный текст. Для нелатинских алфавитов используйте вывод "Только текст (TXT)", так как текстовый слой поискового PDF ограничен Latin-1.