OCR PDF
Zet een gescande PDF om in een selecteerbaar en doorzoekbaar document. 100% in je browser: je bestand verlaat je apparaat nooit.
Selecteer een gescande PDF
of sleep een PDF hierheen — lokaal verwerkt met Tesseract.js
—
Het beste met schone afdrukscans op 300 DPI (~98% nauwkeurigheid). Scans met lage resolutie, vervaagde fotokopieën en kleine lettertypen zijn minder nauwkeurig. Handschrift wordt niet betrouwbaar ondersteund.
Your file is ready
Processed entirely in your browser — the file never left your device.
Hoe voer je OCR uit op een PDF
Drie stappen. Er wordt niets geüpload.
Kies een gescande PDF
Open of sleep je PDF. Hij blijft in je browser.
Kies taal en uitvoer
Selecteer de taal van het document en of je een doorzoekbare PDF of alleen de tekst wilt.
Uitvoeren en downloaden
Tesseract.js (WebAssembly) herkent elke pagina in je tabblad; daarna download je het resultaat.
Wat is OCR en wat verandert er nadat je het uitvoert?
Optische tekenherkenning (OCR) zet een afbeelding van tekst om in echte teksttekens die een computer kan kopiëren, doorzoeken en indexeren. Een 'gescande' PDF is niet meer dan een stapel pagina-afbeeldingen die in een PDF-container zijn geplakt; de woorden die je ziet zijn pixels, geen letters. Na OCR heeft het document een onzichtbare tekstlaag bovenop die pixels (zodat het er identiek uitziet maar Ctrl+F werkt), of je hebt de tekst geëxtraheerd naar een plat .txt-bestand dat je elders kunt plakken. Hierboven worden beide modi aangeboden.
Hoe OCR op deze pagina werkt
We gebruiken Tesseract.js — de WebAssembly-compilatie van de open-source Tesseract-engine van Google — die binnen het tabblad van je browser draait. Wanneer je op OCR uitvoeren klikt:
- Elke pagina van je PDF wordt met PDF.js op een canvas gerasterd op 300 DPI.
- De canvaspixels gaan naar Tesseract.js, dat de herkende tekst teruggeeft plus de begrenzingsvakken per regel.
- Voor de doorzoekbare PDF kopiëren we je oorspronkelijke pagina's naar een nieuwe PDF en leggen we de herkende tekst er met dekking 0 overheen: onzichtbaar, maar selecteerbaar en doorzoekbaar.
- Voor Alleen tekst voegen we de tekst van elke pagina samen tot één .txt-bestand.
Niets in deze keten roept een server aan: PDF.js, Tesseract.js en pdf-lib draaien aan de clientzijde. Het enige netwerkverzoek dat met OCR te maken heeft, is de eenmalige download van het getrainde taalmodel (ongeveer 5 tot 15 MB per taal), dat je browser daarna in de cache bewaart voor de volgende keer.
Eerlijke verwachtingen
- Schone gedrukte tekst op 300 DPI: meestal 95% tot 98% nauwkeurigheid per teken. Voldoende om te doorzoeken en om te kopiëren/plakken met een kleine correctie.
- Lage resolutie (onder 200 DPI) of gefotografeerde pagina's: de nauwkeurigheid keldert; Tesseract heeft scherpe letterranden nodig. Scan opnieuw op een hogere DPI als dat kan.
- Indelingen met meerdere kolommen en tabellen: de tekst komt rij voor rij over de kolommen heen terug. We herordenen die niet naar een logische leesvolgorde. Voor tabellen kun je PDF naar Excel overwegen.
- Handschrift: wordt niet betrouwbaar ondersteund. Tesseract is getraind op gedrukte typografie; handgeschreven tekens komen meestal onleesbaar terug.
- Sterke mix van alfabetten: is een pagina half Arabisch en half Latijns, kies dan het overheersende alfabet. OCR met meerdere alfabetten is mogelijk, maar trager en minder nauwkeurig.
Privacy en beveiliging
OCR is een categorie waarin verwerking in de browser bijzonder waardevol is. Gescande documenten behoren vaak tot het gevoeligste wat mensen bezitten — kopieën van paspoorten, belastingaangiften, contracten, medische dossiers, huurovereenkomsten — en ze naar een server van derden sturen creëert een spoor dat je niet kunt wissen. Omdat elke byte van de keten lokaal draait, is er geen upload om te registreren, geen tijdelijk bestand om in beslag te nemen en geen bewaartermijn om op te vertrouwen. De OCR-engine zelf is open-source en inspecteerbaar.
Veelgestelde vragen
Bij een schone scan van 300 DPI van een gedrukt document in een ondersteunde taal kun je ongeveer 95–98% tekennauwkeurigheid verwachten. Scans met een lagere resolutie (onder 200 DPI), vervaagde fotokopieën, scheve pagina's en kleine lettertypen verlagen de nauwkeurigheid merkbaar. Handschrift wordt niet betrouwbaar herkend door Tesseract — voor handgeschreven notities heb je meestal een andere (alleen in de cloud beschikbare) engine nodig.
Nee. De herkenningsengine (Tesseract.js, gecompileerd naar WebAssembly) draait volledig binnen je browsertabblad. De PDF die je kiest wordt in het geheugen gelezen, elke pagina wordt naar een canvas gerasterd en de canvaspixels gaan rechtstreeks naar Tesseract — geen netwerkupload van je document, geen stap op de server. Je kunt dit controleren op het tabblad Netwerk van je browser: alleen het taalmodel wordt opgehaald (één keer, daarna in cache).
We tonen vooraf de 12 talen die imisspdf.com zelf gebruikt: Engels, Spaans, Frans, Duits, Portugees, Italiaans, Indonesisch, Japans, Koreaans, Chinees (vereenvoudigd), Arabisch en Hindi. Tesseract ondersteunt er nog ongeveer 100 meer — plak een ISO 639-3-code (zoals 'vie' of 'tha') in het taalvak en het bijbehorende model wordt op aanvraag opgehaald.
De eerste keer dat je OCR uitvoert in een bepaalde taal, downloadt Tesseract het getrainde model voor die taal (meestal 5–15 MB) en de WebAssembly-engine (~30 MB). Daarna staan ze in de cache van je browser, zodat volgende runs binnen een seconde of twee starten. Het tabblad sluiten wist de cache niet.
Kies Doorzoekbare PDF als je het oorspronkelijke uiterlijk van het document wilt behouden en de tekst alleen selecteerbaar en met Ctrl+F doorzoekbaar wilt maken (de OCR-tekst wordt onzichtbaar bovenop geplaatst). Kies Alleen tekst als je alleen de woorden nodig hebt — bijvoorbeeld om in een notitie-app te plakken of in een andere tool te voeren.