Làm cho PDF đã scan có thể tìm kiếm qua OCR - cục bộ trên trình duyệt, với lớp văn bản ẩn bên dưới các trang gốc, không tải lên.
Đang xử lý cục bộ trên thiết bị của bạn ...
0%
Tệp của bạn chưa bao giờ rời khỏi thiết bị
Không. Mọi thứ chạy trong trình duyệt của bạn - tệp của bạn không bao giờ rời khỏi thiết bị. Cách kiểm chứng điều này
PDF đã scan về cơ bản là một chồng hình ảnh: bạn thấy văn bản nhưng không thể chọn, tìm kiếm hay sao chép nó. OCR (nhận dạng ký tự quang học) đọc các ký tự từ hình ảnh và đặt chúng dưới dạng lớp văn bản ẩn chính xác phía trên các trang. Giao diện vẫn giữ nguyên, nhưng PDF trở nên có thể tìm kiếm và văn bản có thể chọn được - đúng như những gì cơ quan, kho lưu trữ và tìm kiếm toàn văn cần.
Chọn đầu ra: PDF có thể tìm kiếm (các trang gốc cộng lớp văn bản) hoặc văn bản thuần dưới dạng TXT. Đặt ngôn ngữ tài liệu từ danh sách - hơn 100 ngôn ngữ từ tiếng Việt và tiếng Anh qua tiếng Nga, Ả Rập và Hindi đến tiếng Nhật, Hàn và Trung, mỗi ngôn ngữ bằng tên bản địa - để ký tự được nhận dạng chính xác. Mọi thứ chạy trên trình duyệt qua WebAssembly: cùng công cụ Tesseract mã nguồn mở như công cụ "Hình ảnh sang văn bản", áp dụng từng trang trên toàn bộ PDF. Lần đầu sử dụng, trình duyệt tải xuống một lần công cụ và mô hình ngôn ngữ đã chọn (vài MB, same-origin); sau đó hoạt động ngoại tuyến.
Công cụ này dành cho PDF đã scan hoặc dựa trên hình ảnh. Nhận dạng phụ thuộc nhiều vào chất lượng scan: các trang sắc nét, thẳng, độ tương phản cao với văn bản in được nhận dạng rất tốt; nghiêng hoặc mờ thì kém hơn nhiều; chữ viết tay không đáng tin cậy. Trong PDF có thể tìm kiếm, mỗi trang được nhúng lại dưới dạng hình ảnh - PDF đã có văn bản thực không cần OCR. Kiểm tra kết quả với số và tên riêng.
| Định dạng đầu vào | |
|---|---|
| Định dạng đầu ra | |
| Xử lý hàng loạt | Có |
| Xử lý | Cục bộ trong trình duyệt (WebAssembly) |
| Tải tệp lên | Không có |
Giới hạn: Dành cho PDF ĐÃ SCAN/dựa trên hình ảnh: làm cho PDF có thể tìm kiếm qua OCR (lớp văn bản ẩn) hoặc trả về văn bản thuần. Nhận dạng văn bản IN trong hơn 100 ngôn ngữ và nhiều chữ viết; chữ viết tay không đáng tin cậy. Lưu ý: lớp văn bản ẩn trong PDF có thể tìm kiếm sử dụng phông Latin-1 - các ký tự không phải Latin (ví dụ CJK, Ả Rập, Cyrillic) không được nhúng vào đó; với các chữ viết đó, đầu ra "Chỉ văn bản (TXT)" trả về toàn bộ văn bản đã nhận dạng. Trong PDF có thể tìm kiếm, mỗi trang được nhúng lại dưới dạng hình ảnh nên bố cục được giữ nguyên nhưng file có thể lớn hơn; PDF đã có văn bản thực không cần OCR. Nhận dạng không hoàn hảo - kiểm tra đặc biệt số và tên riêng. Công cụ và mô hình ngôn ngữ đã chọn được tải xuống một lần (vài MB, same-origin), sau đó dùng được ngoại tuyến. PDF lớn cần thời gian và bộ nhớ tùy theo số trang và thiết bị.
Không. Kết xuất và nhận dạng chạy hoàn toàn cục bộ trên trình duyệt (WebAssembly); PDF không bao giờ rời khỏi thiết bị của bạn - lợi thế quyết định cho hợp đồng và thư chính thức.
Trang trông giống bản scan, nhưng bên dưới có một lớp văn bản ẩn. Nhờ đó bạn có thể tìm kiếm trong PDF, chọn và sao chép văn bản - trong khi giao diện hình ảnh vẫn giữ nguyên.
Có. Mỗi trang được nhúng dưới dạng hình ảnh của trang gốc, với lớp văn bản ẩn căn chỉnh phía trên. Giao diện không thay đổi, mặc dù file có thể tăng kích thước một chút.
Ngôn ngữ khác thì có: hơn 100 ngôn ngữ (kể cả Ả Rập, Nga, Hindi, Nhật, Hàn, Trung). Chữ viết tay không được nhận dạng đáng tin cậy, chỉ văn bản in. Với chữ viết không phải Latin, hãy dùng đầu ra "Chỉ văn bản (TXT)" vì lớp văn bản PDF có thể tìm kiếm bị giới hạn ở Latin-1.