OCR σε PDF

Δωρεάν εργαλείο που διαβάζει το κείμενο σε σαρωμένα PDF με OCR (οπτική αναγνώριση χαρακτήρων) και τα μετατρέπει σε αναζητήσιμα PDF. Το κείμενο που διαβάζεται προστίθεται στις σελίδες ως αόρατο κείμενο, οπότε οι σελίδες φαίνονται ίδιες. Το PDF σας υποβάλλεται σε επεξεργασία στο πρόγραμμα περιήγησης και δεν μεταφορτώνεται ποτέ. Μπορείτε να διαβάσετε έως 200 σελίδες τη φορά (30 σελίδες σε συσκευές όπου η επεξεργασία διαρκεί περισσότερο). Μπορείτε να ανοίξετε PDF έως 200 MB ανά αρχείο (100 MB σε κινητά και tablet).

Έλεγχος του περιβάλλοντός σας…

Μόνο όταν ένα PDF έχει σελίδες των οποίων το κείμενο είναι εικόνα, η πρώτη εκτέλεση κατεβάζει ένα μοντέλο AI (περίπου 17 MB) από αυτόν τον ιστότοπο· οι επόμενες εκτελέσεις χρησιμοποιούν το αντίγραφο που είναι αποθηκευμένο στο πρόγραμμα περιήγησής σας. Τα PDF σας δεν μεταφορτώνονται ποτέ.

Ρυθμίσεις

Οδηγίες χρήσης

  1. 1

    Προσθέστε PDF

    Επιλέξτε ή αποθέστε τα PDF που θα αναγνωστούν. Μπορείτε να προσθέσετε πολλά PDF μαζί. Τα PDF σας δεν μεταφορτώνονται ποτέ.

  2. 2

    Επιλέξτε τη γλώσσα του εγγράφου

    Στο «Γλώσσα εγγράφου», επιλέξτε τη γλώσσα στην οποία είναι γραμμένο το PDF. Για να αναγνωστούν μόνο ορισμένες σελίδες, εισαγάγετέ τες στο «Εύρος σελίδων».

  3. 3

    Ανάγνωση και αποθήκευση

    Πατήστε «Εκτέλεση» για να αναγνωστούν οι σελίδες των οποίων το κείμενο είναι εικόνα και να δημιουργηθεί ένα PDF με επίπεδο κειμένου. Αποθηκεύστε το με «Αποθήκευση» και ελέγξτε τις γραμμές που αναγνωρίστηκαν με «Έλεγχος αναγνωρισμένου κειμένου».

Σχετικά με το OCR για PDF

Το κείμενο διαβάζεται με το μοντέλο αναγνώρισης κειμένου του PaddleOCR (PP-OCRv6, Apache-2.0), που εκτελείται μέσα στο πρόγραμμα περιήγησής σας. Μόνο όταν ένα PDF έχει σελίδες των οποίων το κείμενο είναι εικόνα, η πρώτη εκτέλεση κατεβάζει το μοντέλο AI (περίπου 17 MB) από αυτόν τον ιστότοπο· οι επόμενες εκτελέσεις χρησιμοποιούν το αντίγραφο που είναι αποθηκευμένο στο πρόγραμμα περιήγησής σας. Σε συσκευές που δεν μπορούν να χρησιμοποιήσουν την GPU (WebGPU), η επεξεργασία εκτελείται στην CPU και διαρκεί περισσότερο από ό,τι στην GPU. Αφού διαβαστεί η πρώτη σελίδα, το εργαλείο εκτιμά τον συνολικό χρόνο με βάση το πόσο χρειάστηκε αυτή η σελίδα στη συσκευή σας και τον εμφανίζει. Το αόρατο κείμενο χρησιμοποιεί μια γραμματοσειρά που βασίζεται στη GlyphLessFont του Tesseract (Apache-2.0).

Οι σελίδες που έχουν ήδη δεδομένα κειμένου και οι σελίδες που έχουν ήδη επίπεδο κειμένου OCR δεν διαβάζονται και μένουν όπως είναι. Στις σελίδες που συνδυάζουν δεδομένα κειμένου και εικόνες, διαβάζονται μόνο τα μέρη που δεν επικαλύπτουν τα δεδομένα κειμένου. Οι σελίδες των οποίων τα δεδομένα κειμένου είναι αλλοιωμένα (η επιλογή του κειμένου δίνει διαφορετικούς χαρακτήρες) δεν παίρνουν επίπεδο κειμένου. Αν επιλέξετε Ιαπωνικά στη «Γλώσσα εγγράφου», η αναγνώριση περιορίζεται στους χαρακτήρες που χρησιμοποιούνται σε ιαπωνικά έγγραφα, και αν επιλέξετε Κορεατικά, χρησιμοποιείται κορεατικό μοντέλο (περίπου 13 MB, που δεν μπορεί να διαβάσει κινεζικούς χαρακτήρες). Πατήστε «Έλεγχος αναγνωρισμένου κειμένου» για να δείτε τις γραμμές που αναγνωρίστηκαν με περίγραμμα πάνω στη σελίδα, με τις γραμμές που είναι πιθανότερο να έχουν λάθη σε διαφορετικό χρώμα.

Προδιαγραφές αυτού του εργαλείου

Είσοδος
PDF
Έξοδος
PDF
Όρια
Χωρίς όριο στον αριθμό αρχείων (μαζική επεξεργασία). Έως 200 MB ανά αρχείο (100 MB σε κινητά και tablet). Ανάγνωση έως 200 σελίδων τη φορά (30 σελίδες σε συσκευές που επεξεργάζονται στην CPU)
  • Δωρεάν, χωρίς εγγραφή, χωρίς εγκατάσταση εφαρμογής
  • Τα αρχεία δεν μεταφορτώνονται ποτέ (η επεξεργασία γίνεται στο πρόγραμμα περιήγησης)

Συχνές ερωτήσεις

Αποστέλλεται το PDF μου σε διακομιστή;

Όχι. Το άνοιγμα του PDF, η ανάγνωση του κειμένου και η αποθήκευση γίνονται όλα στο πρόγραμμα περιήγησης της συσκευής σας. Στατιστικά που μας βοηθούν να διορθώνουμε σφάλματα (εύρος αριθμού σελίδων, εύρος του πόσες σελίδες και γραμμές διαβάστηκαν, εύρος του χρόνου ανά σελίδα, τύποι σφαλμάτων κ.λπ.) αποστέλλονται στον διακομιστή αυτού του ιστοτόπου. Δεν περιλαμβάνουν το περιεχόμενο του PDF, το κείμενο που αναγνωρίστηκε, ονόματα αρχείων, κωδικούς πρόσβασης ή τα εύρη σελίδων που εισάγετε. Μπορείτε να απενεργοποιήσετε τα στατιστικά με τον διακόπτη «Αποστολή στατιστικών επεξεργασίας» στο κάτω μέρος της σελίδας.

Μπορεί να διαβάσει PDF με κωδικό πρόσβασης ή PDF με περιορισμούς από τον δημιουργό;

Ναι. Ένα PDF με κωδικό πρόσβασης ανοίγει μόλις εισαγάγετε τον κωδικό ανοίγματος. Αν ο δημιουργός έχει περιορίσει την αλλαγή του περιεχομένου ή την αντιγραφή και την εξαγωγή, το εργαλείο δεν διαβάζει το PDF μέχρι να εισαγάγετε τον κωδικό δικαιωμάτων (η προσθήκη επιπέδου κειμένου θα έκανε εξαγώγιμο το κείμενο που έχει περιοριστεί). Αυτό το εργαλείο δεν μαντεύει κωδικούς πρόσβασης, οπότε αν δεν γνωρίζετε τον κωδικό δικαιωμάτων, απευθυνθείτε στο άτομο που δημιούργησε το PDF. Η κρυπτογράφηση του αρχικού PDF μένει όπως είναι στο αποθηκευμένο PDF. Αν το PDF έχει ψηφιακή υπογραφή, η υπογραφή δεν είναι πλέον έγκυρη στο αποθηκευμένο PDF.

Μπορεί να διαβάσει κάθετο κείμενο ή χειρόγραφα;

Είναι σχεδιασμένο για τυπωμένο κείμενο γραμμένο οριζόντια. Διαβάζει και σελίδες με κάθετο κείμενο, αλλά με περισσότερα λάθη από ό,τι στο οριζόντιο κείμενο, και μπορεί να παραλείψει σημεία στίξης. Το χειρόγραφο κείμενο δεν υποστηρίζεται.

Μπορεί το κείμενο που αναγνωρίστηκε να περιέχει λάθη;

Ναι. Ανάλογα με το μέγεθος του κειμένου, την ανάλυση της σάρωσης και τους λεκέδες ή την κλίση του χαρτιού, ορισμένοι χαρακτήρες μπορεί να διαβαστούν λάθος ή να παραλειφθούν. Οι αριθμοί με μεγάλα κενά μεταξύ τους σε πίνακες διαβάζονται λάθος συχνότερα από το υπόλοιπο κείμενο. Όταν ως γλώσσα εγγράφου έχει επιλεγεί «Ιαπωνικά», χαρακτήρες εκτός των συνόλων kanji JIS επιπέδου 1 και 2 και τα emoji μπορεί να διαβαστούν ως χαρακτήρες με παρόμοια εμφάνιση. Πριν χρησιμοποιήσετε το αποθηκευμένο PDF, ελέγξτε τις γραμμές που είναι πιθανότερο να έχουν λάθη με τον «Έλεγχο αναγνωρισμένου κειμένου». Αυτό το εργαλείο δεν μπορεί να διορθώσει το κείμενο που αναγνωρίστηκε.

Βοηθήστε μας να βελτιώσουμε την υπηρεσία

Αν μια μετατροπή ή μια συμπίεση αποτύχει, η αποστολή των συνθηκών μάς βοηθά να εντοπίσουμε την αιτία. Γνωρίζοντας ποιες συσκευές και μορφές αποτυγχάνουν συχνότερα και πόσο διαρκεί η επεξεργασία, μπορούμε να αναθεωρούμε τις υποστηριζόμενες μορφές και να διορθώνουμε τα σφάλματα που βρίσκονται πίσω από αυτές. Αν δεν σας ενοχλεί, αφήνοντάς το ενεργό μας βοηθάτε πραγματικά.

Τι αποστέλλεται

  • Το εργαλείο που χρησιμοποιήσατε και οι ρυθμίσεις που επιλέξατε (μορφή εξόδου, ποιότητα κ.λπ.)
  • Τα χαρακτηριστικά της συσκευής σας (GPU, μνήμη, αριθμός πυρήνων)
  • Η μορφή εισόδου με ένα κατά προσέγγιση μέγεθος
  • Πόσα αρχεία πέτυχαν ή απέτυχαν και πόσο χρόνο χρειάστηκε
  • Το είδος και οι λεπτομέρειες του σφάλματος όταν κάτι αποτυγχάνει

Τι δεν αποστέλλεται ποτέ

  • Τα ίδια τα αρχεία και τα ονόματα αρχείων
  • Το κείμενο των PDF, το κείμενο που ξαναγράψατε ή μαυρίσατε, οι κωδικοί πρόσβασης, τα ονόματα γραμματοσειρών και τα εύρη σελίδων που εισάγετε
  • Το αναγνωρισμένο κείμενο και οι θέσεις των αναγνωρισμένων γραμμών
  • Οι διευθύνσεις IP

Τα δεδομένα πηγαίνουν μόνο στον διακομιστή αυτού του ιστοτόπου, ποτέ σε υπηρεσία τρίτων.
Για την πλήρη λίστα, μαζί με τις λεπτομέρειες που στέλνει κάθε εργαλείο, δείτε την ενότητα «Στατιστικά επεξεργασίας» στην πολιτική απορρήτου.

Λεπτομέρειες που στέλνει αυτό το εργαλείο (μόνο αριθμοί, χρόνοι, είδη και ναι/όχι)

Εκτός από όσα αναφέρονται στο «Τι αποστέλλεται», αυτό το εργαλείο στέλνει τις παρακάτω λεπτομέρειες.

Εργαλεία PDF (όλα)
Το εύρος του αριθμού σελίδων, αν η επεξεργασία είναι περιορισμένη, αν εισήχθη κωδικός δικαιωμάτων και αν το PDF είναι υπογεγραμμένο ή κρυπτογραφημένο.
OCR για PDF
Ο αριθμός εισόδων και εξόδων, σελίδων που αναγνώστηκαν, σελίδων που αναγνώστηκαν χωρίς να βρεθεί κείμενο, σελίδων με δεδομένα κειμένου που δεν αναγνώστηκαν, σελίδων που συνδυάζουν δεδομένα κειμένου και εικόνες, σελίδων που είχαν ήδη επίπεδο κειμένου OCR, σελίδων με αλλοιωμένα δεδομένα κειμένου, κενών σελίδων, σελίδων που δεν ήταν δυνατό να αποκτήσουν επίπεδο κειμένου, σελίδων με διορθωμένο προσανατολισμό και σελίδων όπου κλείστηκε μια ανοιχτή ενότητα του αρχικού περιεχομένου, γραμμών και χαρακτήρων που αναγνώστηκαν, περιοχών και χαρακτήρων που δεν αναγνώστηκαν επειδή επικαλύπτονταν με υπάρχον κείμενο ή σχόλια, και περασμάτων προσθήκης του επιπέδου κειμένου (όλα ως εύρη), τα εύρη του ποσοστού κάθετων γραμμών και γραμμών με μεγαλύτερη πιθανότητα σφαλμάτων, τα εύρη του χρόνου ανά σελίδα και του χρόνου φόρτωσης του μοντέλου AI, ο τύπος και η έκδοση του μοντέλου AI και αν έγινε λήψη του, το εύρος της ανάλυσης απόδοσης και αν μειώθηκε, το εύρος του αριθμού τμημάτων στα οποία χωρίστηκε μια εικόνα για την εύρεση κειμένου, αν ο εκτιμώμενος χρόνος ξεπέρασε τα 15 λεπτά, αν η GPU έπαψε να είναι διαθέσιμη και αν εφαρμόστηκε ξανά η αρχική προστασία.

Σχετικά εργαλεία