OCR PDF
Bezplatný nástroj, který přečte text v naskenovaných PDF pomocí OCR (optického rozpoznávání znaků) a převede je na PDF, ve kterých lze vyhledávat. Přečtený text se do stránek přidá jako neviditelný text, takže stránky vypadají stejně. Vaše PDF se zpracovává v prohlížeči a nikdy se nenahrává. Najednou můžete přečíst až 200 stránek (na zařízeních, kde zpracování trvá déle, 30 stránek). Otevřít můžete PDF do 200 MB na soubor (na telefonech a tabletech 100 MB).
Jen pokud PDF obsahuje stránky, jejichž text je obrázkem, stáhne se při prvním spuštění z tohoto webu model AI (asi 17 MB); další spuštění používají kopii uloženou v prohlížeči. Vaše PDF se nikdy nenahrávají.
Nastavení
Jak na to
- 1
Přidejte PDF
Vyberte PDF ke čtení nebo je přetáhněte sem. Můžete přidat několik PDF najednou. Vaše PDF se nikdy nenahrávají.
- 2
Zvolte jazyk dokumentu
V poli „Jazyk dokumentu“ zvolte jazyk, ve kterém je PDF napsané. Chcete-li přečíst jen některé stránky, zadejte je do pole „Rozsah stránek“.
- 3
Přečtěte a uložte
Klikněte na „Spustit“; přečtou se stránky, jejichž text je obrázkem, a vytvoří se PDF s textovou vrstvou. Uložte ho tlačítkem „Uložit“ a rozpoznané řádky zkontrolujte pomocí „Zkontrolovat rozpoznaný text“.
O OCR pro PDF
Text se čte modelem pro rozpoznávání textu z PaddleOCR (PP-OCRv6, Apache-2.0), který běží ve vašem prohlížeči. Jen pokud PDF obsahuje stránky, jejichž text je obrázkem, stáhne se při prvním spuštění z tohoto webu model AI (asi 17 MB); další spuštění používají kopii uloženou v prohlížeči. Na zařízeních, která nemohou využít GPU (WebGPU), běží zpracování na CPU a trvá déle než na GPU. Po přečtení první stránky nástroj odhadne celkovou dobu podle toho, jak dlouho tato stránka na vašem zařízení trvala, a zobrazí ji. Neviditelný text používá písmo vytvořené z GlyphLessFont z Tesseractu (Apache-2.0).
Stránky, které už mají textová data, a stránky, které už mají textovou vrstvu OCR, se nečtou a zůstanou, jak jsou. Na stránkách, které kombinují textová data a obrázky, se čtou jen části, které textová data nepřekrývají. Stránky s poškozenými textovými daty (při výběru textu se objeví jiné znaky) textovou vrstvu nedostanou. Volba japonštiny v poli „Jazyk dokumentu“ omezí rozpoznávání na znaky používané v japonských dokumentech a volba korejštiny použije korejský model (asi 13 MB; čínské znaky číst neumí). Klikněte na „Zkontrolovat rozpoznaný text“ a uvidíte rozpoznané řádky orámované na stránce, přičemž řádky s vyšší pravděpodobností chyb jsou zobrazeny jinou barvou.
Specifikace tohoto nástroje
- Vstup
- Výstup
- Omezení
- Bez omezení počtu souborů (dávkové zpracování). Až 200 MB na soubor (na telefonech a tabletech 100 MB). Najednou se přečte až 200 stránek (na zařízeních, která zpracovávají na CPU, 30 stránek)
- Zdarma, bez registrace, bez instalace aplikace
- Soubory se nikdy nenahrávají (zpracování v prohlížeči)
Časté dotazy
Odesílá se moje PDF na server?
Ne. Otevření PDF, čtení textu i uložení probíhají v prohlížeči ve vašem zařízení. Na server tohoto webu se odesílají statistiky, které nám pomáhají opravovat chyby (rozsah počtu stránek, rozsahy počtu přečtených stránek a řádků, rozsah času na stránku, typy chyb apod.). Neobsahují obsah PDF, rozpoznaný text, názvy souborů, hesla ani zadané rozsahy stránek. Statistiky můžete vypnout přepínačem „Odesílat statistiky zpracování“ ve spodní části stránky.
Dokáže přečíst PDF chráněné heslem nebo PDF, které autor omezil?
Ano. PDF chráněné heslem se otevře, jakmile zadáte jeho heslo pro otevření. Pokud autor omezil změny obsahu nebo kopírování a extrakci, nástroj PDF nečte, dokud nezadáte heslo pro oprávnění (přidáním textové vrstvy by šlo omezený text extrahovat). Tento nástroj hesla neuhaduje, takže pokud heslo pro oprávnění neznáte, obraťte se na autora PDF. Šifrování původního PDF zůstane v uloženém PDF, jak je. Pokud má PDF digitální podpis, v uloženém PDF už podpis nebude platný.
Dokáže přečíst svislý text nebo rukopis?
Je určen pro tištěný text psaný vodorovně. Čte i stránky se svislým textem, ale s více chybami než u vodorovného textu a může vynechat interpunkci. Ručně psaný text není podporován.
Může rozpoznaný text obsahovat chyby?
Ano. Podle velikosti písma, rozlišení skenu a skvrn nebo zešikmení papíru mohou být některé znaky přečteny chybně nebo vynechány. Čísla s velkými mezerami v tabulkách se čtou chybně častěji než ostatní text. Když je jako jazyk dokumentu zvolena „Japonština“, znaky mimo sady kandži JIS úrovně 1 a 2 a emoji se mohou přečíst jako podobně vypadající znaky. Před použitím uloženého PDF zkontrolujte řádky s vyšší pravděpodobností chyb pomocí „Zkontrolovat rozpoznaný text“. Tento nástroj rozpoznaný text opravit neumí.
Pomozte nám zlepšovat službu
Pokud převod nebo komprese selže, informace o okolnostech nám pomohou najít příčinu. Když víme, na kterých zařízeních a u kterých formátů dochází k selhání nejčastěji a jak dlouho zpracování trvá, můžeme upravit podporované formáty a opravit chyby, které za tím stojí. Pokud vám to nevadí, nechte tuto volbu zapnutou – opravdu nám to pomůže.
Co se odesílá
- Použitý nástroj a zvolená nastavení (výstupní formát, kvalita atd.)
- Parametry vašeho zařízení (GPU, paměť, počet jader)
- Vstupní formát s přibližnou velikostí
- Kolik souborů uspělo nebo selhalo a jak dlouho to trvalo
- Typ a podrobnosti chyby, když něco selže
Co se nikdy neodesílá
- Samotné soubory a názvy souborů
- Text v PDF, text, který jste nahradili nebo začernili, hesla, názvy písem a zadané rozsahy stránek
- Rozpoznaný text a umístění rozpoznaných řádků
- IP adresy
Data jdou pouze na vlastní server tohoto webu, nikdy do služby třetí strany.
Úplný seznam včetně podrobností, které odesílá každý nástroj, najdete v části „Statistiky zpracování“ v zásadách ochrany osobních údajů.
Podrobnosti odesílané tímto nástrojem (jen počty, časy, druhy a ano/ne)
Kromě položek v části „Co se odesílá“ odesílá tento nástroj následující podrobnosti.
- Nástroje pro PDF (všechny)
- Rozsah počtu stránek, zda jsou úpravy omezené, zda bylo zadáno heslo pro oprávnění a zda je PDF podepsané nebo šifrované.
- OCR pro PDF
- Počty vstupů a výstupů, přečtených stránek, přečtených stránek bez nalezeného textu, stránek s textovými daty, které nebyly čteny, stránek kombinujících textová data a obrázky, stránek, které již měly textovou vrstvu OCR, stránek s poškozenými textovými daty, prázdných stránek, stránek, kterým nešlo přidat textovou vrstvu, stránek s opravenou orientací a stránek, na nichž byla uzavřena neuzavřená část původního obsahu, přečtených řádků a znaků, oblastí a znaků nečtených kvůli překryvu s existujícím textem nebo poznámkami a průchodů přidávajících textovou vrstvu (vše jako rozsahy), rozsahy podílu svislých řádků a řádků s vyšší pravděpodobností chyb, rozsahy času na stránku a doby načtení modelu AI, typ a verze modelu AI a zda byl stažen, rozsah rozlišení vykreslení a zda bylo sníženo, rozsah počtu částí, na které byl obrázek rozdělen při hledání textu, zda odhadovaný čas přesáhl 15 minut, zda přestalo být GPU dostupné a zda byla znovu použita původní ochrana.