PDF OCR
Ingyenes eszköz, amely OCR-rel (optikai karakterfelismeréssel) beolvassa a beszkennelt PDF-ek szövegét, és kereshető PDF-fé alakítja őket. A beolvasott szöveg láthatatlan szövegként kerül az oldalakra, így az oldalak ugyanúgy néznek ki. A PDF feldolgozása a böngészőben történik, és soha nem töltődik fel. Egyszerre legfeljebb 200 oldal olvasható be (azokon az eszközökön, ahol a feldolgozás tovább tart, 30 oldal). Fájlonként legfeljebb 200 MB-os PDF-et nyithat meg (telefonon és táblagépen 100 MB-osat).
Csak ha a PDF-ben vannak olyan oldalak, amelyeken a szöveg kép, akkor tölt le az első futtatás egy AI-modellt (kb. 17 MB) erről az oldalról; a későbbi futtatások a böngészőben tárolt példányt használják. A PDF-ek soha nem töltődnek fel.
Beállítások
Használat
- 1
PDF-ek hozzáadása
Válassza ki vagy húzza ide a beolvasandó PDF-eket. Egyszerre több PDF-et is hozzáadhat. A PDF-ek soha nem töltődnek fel.
- 2
A dokumentum nyelvének kiválasztása
A „Dokumentum nyelve” alatt válassza ki, milyen nyelven íródott a PDF. Ha csak bizonyos oldalakat szeretne beolvasni, adja meg őket az „Oldaltartomány” mezőben.
- 3
Beolvasás és mentés
A „Futtatás” gombbal beolvassa azokat az oldalakat, amelyeken a szöveg kép, és szövegréteggel ellátott PDF készül. Mentse a „Mentés” gombbal, a felismert sorokat pedig „A felismert szöveg ellenőrzése” gombbal tekintheti át.
A PDF-ek OCR-jéről
A szöveget a PaddleOCR szövegfelismerő modellje (PP-OCRv6, Apache-2.0) olvassa be, amely a böngészőben fut. Az első futtatáskor csak akkor töltődik le az AI-modell (kb. 17 MB) erről az oldalról, ha a PDF-ben vannak olyan oldalak, amelyeken a szöveg kép; a későbbi futtatások a böngészőben tárolt példányt használják. Azokon az eszközökön, amelyek nem tudják használni a GPU-t (WebGPU), a feldolgozás a CPU-n fut, és tovább tart, mint a GPU-n. Az első oldal beolvasása után az eszköz megbecsüli és megjeleníti a teljes időt az alapján, hogy az oldal mennyi ideig tartott a saját eszközén. A láthatatlan szöveg a Tesseract GlyphLessFont betűtípusából (Apache-2.0) készült betűtípust használja.
A szöveges adatokat már tartalmazó és a már OCR-szövegréteggel rendelkező oldalak nem kerülnek beolvasásra, és változatlanok maradnak. A szöveges adatokat és képeket vegyesen tartalmazó oldalakon csak a szöveges adatokkal nem átfedő részek kerülnek beolvasásra. Azok az oldalak, amelyeken a szöveges adatok hibás karakterkódolásúak (a szöveg kijelölésekor más karakterek jelennek meg), nem kapnak szövegréteget. Ha a „Dokumentum nyelve” alatt a japánt választja, a felismerés a japán dokumentumokban használt karakterekre korlátozódik, ha pedig a koreait választja, koreai modell töltődik be (kb. 13 MB, kínai írásjegyeket nem tud beolvasni). „A felismert szöveg ellenőrzése” gombbal az oldalon bekeretezve láthatja a felismert sorokat, a nagyobb valószínűséggel hibás sorokat pedig más színnel.
Az eszköz műszaki adatai
- Bemenet
- Kimenet
- Korlátok
- A fájlok száma nincs korlátozva (kötegelt feldolgozás). Fájlonként legfeljebb 200 MB (telefonon és táblagépen 100 MB). Egyszerre legfeljebb 200 oldal beolvasása (a CPU-n feldolgozó eszközökön 30 oldal)
- Ingyenes, regisztráció és telepítendő alkalmazás nélkül
- A fájlok soha nem töltődnek fel (feldolgozás a böngészőben)
Gyakori kérdések
Felkerül a PDF egy szerverre?
Nem. A PDF megnyitása, a szöveg beolvasása és a mentés egyaránt a saját eszközén, a böngészőben történik. A hibák javítását segítő statisztikák (az oldalszám tartománya, a beolvasott oldalak és sorok számának tartománya, az oldalankénti idő tartománya, a hibák típusa stb.) az oldal szerverére kerülnek. Ezek nem tartalmazzák a PDF tartalmát, a felismert szöveget, a fájlneveket, a jelszavakat és a megadott oldaltartományokat. A statisztikák küldését az oldal alján található „Feldolgozási statisztikák küldése” kapcsolóval kapcsolhatja ki.
Be tudja olvasni a jelszóval védett vagy a szerző által korlátozott PDF-et?
Igen. A jelszóval védett PDF a megnyitási jelszó megadása után nyílik meg. Ha a szerző korlátozta a tartalom módosítását vagy a másolást és a kinyerést, az eszköz csak az engedélyjelszó megadása után olvassa be a PDF-et (a szövegréteg hozzáadásával a korlátozott szöveg kinyerhetővé válna). Ez az eszköz nem próbál jelszavakat kitalálni, ezért ha nem ismeri az engedélyjelszót, kérdezze meg a PDF készítőjét. A mentett PDF megtartja az eredeti PDF titkosítását. Ha a PDF digitális aláírást tartalmaz, az aláírás a mentett PDF-ben már nem érvényes.
Be tudja olvasni a függőleges szöveget vagy a kézírást?
Vízszintesen írt nyomtatott szöveghez készült. A függőleges szövegű oldalakat is beolvassa, de több hibával, mint a vízszintes szöveget, és kihagyhat írásjeleket. A kézírás nem támogatott.
Tartalmazhat hibákat a felismert szöveg?
Igen. A betűmérettől, a szkennelés felbontásától, valamint a papír foltjaitól vagy ferdeségétől függően egyes karaktereket tévesen ismerhet fel, vagy kihagyhat. A táblázatokban egymástól távol álló számokat gyakrabban ismeri fel tévesen, mint a többi szöveget. Ha a dokumentum nyelveként a „Japán” van kiválasztva, a JIS 1. és 2. szintű kandzsikészleten kívüli karakterek és az emojik hasonló kinézetű karakterként kerülhetnek felismerésre. Mielőtt a mentett PDF-et használja, ellenőrizze a nagyobb valószínűséggel hibás sorokat „A felismert szöveg ellenőrzése” gombbal. Ez az eszköz nem tudja javítani a felismert szöveget.
A szolgáltatás fejlesztésének támogatása
Ha egy konvertálás vagy tömörítés nem sikerül, a körülmények elküldésével segít felderíteni az okát. Ha tudjuk, mely eszközökön és formátumokkal fordul elő leggyakrabban hiba, és mennyi ideig tart a feldolgozás, felülvizsgálhatjuk a támogatott formátumokat, és kijavíthatjuk a mögöttük álló hibákat. Ha nem bánja, sokat segít, ha bekapcsolva hagyja.
Mit küldünk el?
- A használt eszköz és a választott beállítások (kimeneti formátum, minőség stb.)
- Az eszköz jellemzői (GPU, memória, magok száma)
- A bemeneti formátum a hozzávetőleges méretével
- Hány fájl feldolgozása sikerült vagy hiúsult meg, és mennyi ideig tartott
- Hiba esetén a hiba típusa és részletei
Mit nem küldünk el soha?
- Magukat a fájlokat és a fájlneveket
- A PDF-ekben lévő szöveget, a lecserélt vagy kitakart szöveget, a jelszavakat, a betűtípusneveket és a megadott oldaltartományokat
- A felismert szöveget és a felismert sorok pozícióját
- Az IP-címeket
Az adatok csak az oldal saját szerverére jutnak, soha nem kerülnek külső szolgáltatáshoz.
A teljes listát, az egyes eszközök által küldött részletekkel együtt, az adatvédelmi irányelvek „Feldolgozási statisztikák” részében találja.
Az ezen eszköz által küldött részletek (csak darabszámok, idők, típusok és igen/nem értékek)
A „Mit küldünk el?” részben felsoroltakon kívül ez az eszköz a következő részleteket is elküldi.
- PDF-eszközök (mind)
- Az oldalszám tartománya, hogy korlátozott-e a szerkesztés, hogy megadtak-e engedélyjelszót, és hogy a PDF alá van-e írva vagy titkosítva van-e.
- PDF-ek OCR-je
- A bemenetek és kimenetek, a beolvasott oldalak, a szöveg nélkül beolvasott oldalak, a be nem olvasott, szövegadatot tartalmazó oldalak, a szövegadatot és képet vegyesen tartalmazó oldalak, a már OCR-szövegréteggel rendelkező oldalak, a hibás karakterkódolású szövegadatot tartalmazó oldalak, az üres oldalak, a szövegréteget nem kaphatott oldalak, a javított tájolású oldalak és azoknak az oldalaknak a száma, ahol az eredeti tartalom egy le nem zárt szakaszát lezárták, a beolvasott sorok és karakterek, a meglévő szöveggel vagy megjegyzésekkel való átfedés miatt be nem olvasott területek és karakterek, valamint a szövegréteget hozzáadó menetek száma (mind tartományként), a függőleges sorok és a nagyobb eséllyel hibás sorok arányának tartománya, az oldalankénti idő és az AI-modell betöltési idejének tartománya, az AI-modell típusa és verziója, és hogy le kellett-e tölteni, a megjelenítési felbontás tartománya és hogy csökkent-e, annak tartománya, hogy hány részre osztották a képet a szöveg kereséséhez, hogy a becsült idő meghaladta-e a 15 percet, hogy elérhetetlenné vált-e a GPU, és hogy újra alkalmazták-e az eredeti védelmet.