Fanya PDF iliyoscanwa iweze kutafutwa kwa OCR - hapa kwenye kivinjari, na safu isiyoonekana ya maandishi chini ya kurasa za asili, bila kupakia faili.
Inachakata humu kwenye kifaa chako ...
0%
Faili zako hazikutoka kamwe kwenye kifaa chako
Hapana. Kila kitu hufanyika kwenye kivinjari chako - faili yako haitoki kamwe kwenye kifaa chako. Jinsi hili linavyoweza kuthibitishwa
PDF iliyoscanwa ni kwa asili mlundiko wa picha: unaona maandishi lakini huwezi kuichagua, kuitafuta au kuinakili. OCR (utambuzi wa maandishi kwa macho) husoma herufi kutoka picha na kuziweka kama safu isiyoonekana ya maandishi juu ya kurasa. Mwonekano unabaki sawa, lakini PDF inakuwa inayoweza kutafutwa na maandishi yanaweza kuchaguliwa - hasa ndiyo kinachohitajika na ofisi, kumbukumbu na utafutaji wa maandishi kamili.
Chagua matokeo: PDF inayoweza kutafutwa (kurasa za asili pamoja na safu ya maandishi) au maandishi safi kama TXT. Weka lugha ya hati kutoka orodha - zaidi ya lugha 100 kuanzia Kiswahili na Kiingereza, hadi Kirusi, Kiarabu na Kihindi, na zaidi hadi Kijapani, Kikorea na Kichina, kila moja kwa jina lake - ili herufi zitambuliwe vizuri. Kila kitu kinafanyika ndani ya kivinjari kupitia WebAssembly: injini ile ile ya chanzo wazi ya Tesseract kama zana ya "Picha hadi Maandishi", inayotumika ukurasa kwa ukurasa kwenye PDF nzima. Wakati wa matumizi ya kwanza kivinjari kinapakua injini na mfano wa lugha mara moja (MB chache, same-origin); baada ya hapo inafanya kazi bila mtandao.
Zana hii imeundwa kwa PDF zilizoscanwa au zinazotegemea picha. Ubora wa utambuzi unategemea sana ubora wa skani: kurasa wazi, zilizonyooka na zenye tofauti kubwa ya maandishi yaliyochapishwa zinatambuliwa vizuri sana, zilizopotoka au zisizo wazi - vibaya zaidi; mwandiko wa mkono hautambuliwi kwa uhakika. Katika PDF inayoweza kutafutwa, kila ukurasa huwekwa tena kama picha, hivyo mpango unabaki lakini faili inaweza kukua. PDF yenye maandishi halisi tayari haihitaji OCR. Angalia matokeo kwa nambari na majina maalum.
| Miundo ya ingizo | |
|---|---|
| Muundo wa matokeo | |
| Uchakataji wa kundi | Ndiyo |
| Uchakataji | Ndani ya kivinjari (WebAssembly) |
| Upakiaji wa faili | Hakuna |
Mipaka: Kwa PDF ZILIZOSCANWA / za picha: inazifanya ziweze kutafutwa kwa OCR (safu isiyoonekana ya maandishi) au kurudisha maandishi safi. Inatambua maandishi YALIYOCHAPISHWA katika zaidi ya lugha 100 na mifumo mingi ya maandishi; mwandiko wa mkono hautambuliwi kwa uhakika. Kumbuka: safu isiyoonekana ya maandishi katika PDF inayoweza kutafutwa inatumia fonti ya Latin-1 - herufi zisizo za Kilatini (k.m. CJK, Kiarabu, Kisirili) haziwekwi hapo; kwa mifumo hiyo ya maandishi, matokeo ya "Maandishi tu (TXT)" hutoa maandishi yaliyotambuliwa kikamilifu. Katika PDF inayoweza kutafutwa kila ukurasa huwekwa tena kama picha, hivyo mpango unabaki lakini faili inaweza kukua. PDF yenye maandishi halisi haihitaji OCR. Utambuzi si bila makosa - angalia hasa nambari na majina maalum. Injini na mfano wa lugha uliochaguliwa zinapakuliwa mara moja (MB chache, same-origin), kisha zinafanya kazi bila mtandao. PDF kubwa zinahitaji muda na kumbukumbu kulingana na idadi ya kurasa na kifaa.
Hapana. Kutoa na kutambua maandishi kunafanyika kikamilifu hapa ndani ya kivinjari (WebAssembly); PDF haiachi kifaa chako - hii ndiyo faida muhimu, hasa kwa mikataba na barua rasmi.
Ukurasa unaonekana kama skani, lakini chini yake kuna safu isiyoonekana ya maandishi. Hii inakuruhusu kutafuta kwenye PDF, kuchagua na kunakili maandishi - huku mwonekano ukibaki ule ule.
Ndiyo. Kila ukurasa huwekwa kama picha ya ukurasa wa asili, na safu isiyoonekana ya maandishi imewekwa juu yake sawasawa. Mwonekano hauna mabadiliko, ingawa faili inaweza kukua kidogo.
Lugha nyingine - ndiyo: zaidi ya 100 zinapatikana (ikiwemo Kiarabu, Kirusi, Kihindi, Kijapani, Kikorea, Kichina). Mwandiko wa mkono hautambuliwi kwa uhakika, tu maandishi yaliyochapishwa. Kwa mifumo isiyotumia herufi za Kilatini tumia matokeo ya "Maandishi tu (TXT)", kwani safu ya maandishi katika PDF inayotafutwa ni mdogo wa Latin-1.