OCR PDF
یک PDF اسکنشده را به یک سند قابل انتخاب و قابل جستوجو تبدیل کنید. ۱۰۰٪ در مرورگر شما: فایل شما هرگز دستگاهتان را ترک نمیکند.
یک PDF اسکنشده انتخاب کنید
یا یک PDF را اینجا رها کنید — بهصورت محلی با Tesseract.js پردازش میشود
—
بهترین برای اسکنهای تمیز ۳۰۰ DPI از متون چاپی (~۹۸٪ دقت). اسکنهای کمدقت، تصاویر کمنور دوربین و فونتهای کوچک کمتر دقیقاند. دستنوشته بهطور قابل اعتماد پشتیبانی نمیشود.
Your file is ready
Processed entirely in your browser — the file never left your device.
چگونه یک PDF را OCR کنیم
سه مرحله. هیچچیز آپلود نمیشود.
یک PDF اسکنشده انتخاب کنید
یک PDF را انتخاب یا بکشید. درون مرورگر شما باقی میماند.
زبان و خروجی را انتخاب کنید
زبان سند را تعیین کنید و انتخاب کنید PDF قابل جستوجو یا فقط متن میخواهید.
اجرا و دانلود
Tesseract.js (WebAssembly) هر صفحه را درون تب شما تشخیص میدهد؛ سپس نتیجه را دانلود میکنید.
OCR چیست و بعد از اجرای آن چه تغییری ایجاد میشود؟
تشخیص نوری کاراکترها (OCR) یک تصویر متن را به کاراکترهای متنی واقعی تبدیل میکند که کامپیوتر میتواند آنها را کپی کند، جستوجو کند و نمایه کند. یک PDF «اسکنشده» چیزی جز انبوهی از تصاویر صفحه نیست که داخل یک محفظه PDF چسبانده شدهاند؛ کلماتی که میبینید پیکسل هستند، نه حروف. پس از OCR، سند یا یک لایه متن نامرئی بر روی آن پیکسلها دریافت میکند (پس بهنظر یکسان میرسد ولی Ctrl+F کار میکند)، یا شما متن را به یک فایل .txt بدون قالب استخراج کردهاید که میتوان در جای دیگری چسباند. هر دو حالت در بالا در دسترس است.
OCR در این صفحه چگونه کار میکند
ما از Tesseract.js استفاده میکنیم — کامپایل WebAssembly از موتور متنباز Tesseract Google — که درون تب مرورگر شما اجرا میشود. وقتی اجرای OCR را میزنید:
- هر صفحه از PDF با استفاده از PDF.js در دقت ۳۰۰ DPI به یک canvas رستر میشود.
- پیکسلهای canvas به Tesseract.js داده میشوند، که متن تشخیص دادهشده بهعلاوه کادرهای محدودکننده برای هر خط را برمیگرداند.
- برای PDF قابل جستوجو، صفحات اصلی شما را به یک PDF جدید کپی میکنیم و متن تشخیص دادهشده را با شفافیت ۰ روی آن قرار میدهیم: برای چشم نامرئی، ولی قابل انتخاب و قابل جستوجو.
- برای فقط متن، متن هر صفحه را در یک فایل .txt واحد ادغام میکنیم.
هیچچیز در این زنجیره به سرور احتیاج ندارد: PDF.js، Tesseract.js و pdf-lib سمت کلاینت هستند. تنها درخواست شبکهای مربوط به OCR دانلود یکباره مدل زبان آموزشدیده است (~۵ تا ۱۵ مگابایت برای هر زبان)، که سپس مرورگر شما برای دفعه بعد کش میکند.
انتظارات صادقانه
- متن چاپی تمیز در ۳۰۰ DPI: معمولاً دقت کاراکتری ۹۵٪ تا ۹۸٪. برای جستوجو و کپی-پیست با اصلاحات جزئی کافی است.
- دقت پایین (زیر ۲۰۰ DPI) یا صفحات با عکس دوربین: دقت سقوط میکند؛ Tesseract به لبههای واضح کاراکتر نیاز دارد. در صورت امکان با دقت بالاتر دوباره اسکن کنید.
- چیدمان چندستونی و جدول: متن بهصورت خط به خط در ستونها برمیگردد. ما آن را در ترتیب خواندن منطقی بازآرایی نمیکنیم. برای جدولها، PDF به Excel را در نظر بگیرید.
- دستنوشته: بهطور قابل اعتماد پشتیبانی نمیشود. Tesseract روی متن چاپی آموزش دیده؛ کاراکترهای دستنویس اغلب ناخوانا برمیگردند.
- ترکیب الفبای سنگین: اگر یک صفحه نیمی فارسی و نیمی لاتین است، الفبای غالب را انتخاب کنید. OCR چندالفبایی ممکن است، ولی کندتر و کمدقتتر است.
حریم خصوصی و امنیت
OCR دستهای است که پردازش درون مرورگر در آن بهطور خاص ارزشمند است. اسناد اسکنشده اغلب از حساسترین چیزهایی هستند که افراد دارند — کپیهای پاسپورت، اظهارنامههای مالیاتی، قراردادها، سوابق پزشکی، اجارهنامهها — و فرستادن آنها به یک سرور شخص ثالث رد پایی ایجاد میکند که نمیتوانید پاک کنید. چون هر بایت در این زنجیره بهصورت محلی اجرا میشود، هیچ آپلودی ثبت نمیشود، هیچ فایل موقتی نگه داشته نمیشود، و هیچ پنجره نگهداری وجود ندارد که به آن اعتماد کنید. خود موتور OCR متنباز و قابل بازرسی است.
پرسشهای متداول
روی یک اسکن تمیز ۳۰۰ DPI از یک سند چاپی به زبان پشتیبانیشده، انتظار دقت کاراکتری حدود ۹۵٪ تا ۹۸٪ را داشته باشید. اسکنهای کمدقت (زیر ۲۰۰ DPI)، تصاویر کمنور دوربین، صفحات کج و فونتهای کوچک دقت را بهطور قابلتوجهی کاهش میدهند. دستنوشته توسط Tesseract بهطور قابل اعتماد تشخیص داده نمیشود — برای یادداشتهای دستنویس معمولاً به موتور متفاوتی (فقط ابری) نیاز دارید.
خیر. موتور تشخیص (Tesseract.js کامپایلشده به WebAssembly) بهطور کامل درون تب مرورگر شما اجرا میشود. PDF انتخابی شما در حافظه خوانده میشود، هر صفحه به یک canvas رستر میشود، و پیکسلهای canvas مستقیماً به Tesseract داده میشوند — بدون آپلود شبکهای سند شما و بدون هیچ مرحله سرور. میتوانید در تب Network مرورگرتان تأیید کنید: فقط مدل زبان دانلود میشود (یکبار، سپس کش میشود).
ما دوازده زبانی را که خود imisspdf.com از آنها استفاده میکند از پیش بارگذاری کردهایم: انگلیسی، اسپانیایی، فرانسوی، آلمانی، پرتغالی، ایتالیایی، اندونزیایی، ژاپنی، کرهای، چینی (سادهشده)، عربی و هندی. Tesseract از حدود ۱۰۰ زبان دیگر پشتیبانی میکند — هر کد ISO 639-3 (مانند «fas» یا «urd» یا «ben») را در فیلد زبان بچسبانید، و مدل مربوطه در صورت تقاضا دریافت میشود.
اولین باری که OCR را به یک زبان خاص اجرا میکنید، Tesseract مدل آموزشدیده آن زبان (معمولاً ۵ تا ۱۵ مگابایت) و موتور WebAssembly (حدود ۳۰ مگابایت) را دانلود میکند. پس از آن در مرورگر شما کش میشوند، و اجراهای بعدی در یک یا دو ثانیه شروع میشوند. بستن تب کش را پاک نمیکند.
«PDF قابل جستوجو» را انتخاب کنید اگر میخواهید ظاهر اصلی سند را حفظ کنید در حالی که متن آن قابل انتخاب و قابل جستوجو با Ctrl+F شود (متن OCR بهطور نامرئی روی آن قرار میگیرد). «فقط متن» را انتخاب کنید اگر فقط کلمات را میخواهید — مثلاً برای چسباندن در یک اپ یادداشت یا انتقال به ابزار دیگری.