OCR PDF
Zamień zeskanowany PDF w zaznaczalny i przeszukiwalny dokument. 100% w Twojej przeglądarce: Twój plik nigdy nie opuszcza urządzenia.
Wybierz zeskanowany PDF
lub przeciągnij plik PDF tutaj — przetwarzany lokalnie za pomocą Tesseract.js
—
Najlepiej działa z czystymi skanami druku w 300 DPI (~98% dokładności). Skany o niskiej rozdzielczości, wyblakłe kserokopie i drobne czcionki będą mniej dokładne. Pismo odręczne nie jest niezawodnie obsługiwane.
Your file is ready
Processed entirely in your browser — the file never left your device.
Jak wykonać OCR pliku PDF
Trzy kroki. Nic nie jest przesyłane.
Wybierz zeskanowany PDF
Otwórz lub przeciągnij plik PDF. Pozostaje w Twojej przeglądarce.
Wybierz język i wyjście
Wskaż język dokumentu oraz to, czy chcesz przeszukiwalny PDF, czy sam tekst.
Uruchom i pobierz
Tesseract.js (WebAssembly) rozpoznaje każdą stronę w Twojej karcie; potem pobierasz wynik.
Czym jest OCR i co się zmienia po jego uruchomieniu?
Optyczne rozpoznawanie znaków (OCR) zamienia obraz tekstu w prawdziwe znaki tekstowe, które komputer może kopiować, przeszukiwać i indeksować. „Zeskanowany” PDF to nic innego jak stos obrazów stron wklejonych do kontenera PDF; słowa, które widzisz, to piksele, a nie litery. Po OCR dokument ma niewidoczną warstwę tekstu umieszczoną na tych pikselach (dzięki czemu wygląda identycznie, ale Ctrl+F działa) albo masz wyodrębniony tekst do zwykłego pliku .txt, który możesz wkleić gdzie indziej. Powyżej dostępne są oba tryby.
Jak działa OCR na tej stronie
Używamy Tesseract.js — kompilacji do WebAssembly otwartoźródłowego silnika Tesseract od Google — działającej wewnątrz karty Twojej przeglądarki. Gdy klikniesz Uruchom OCR:
- Każda strona Twojego PDF jest rasteryzowana na płótnie w 300 DPI za pomocą PDF.js.
- Piksele z płótna trafiają do Tesseract.js, który zwraca rozpoznany tekst oraz prostokąty obejmujące poszczególne wiersze.
- W przypadku przeszukiwalnego PDF kopiujemy Twoje oryginalne strony do nowego PDF i nakładamy rozpoznany tekst z przezroczystością 0: niewidoczny dla oka, ale zaznaczalny i przeszukiwalny.
- W przypadku trybu Tylko tekst łączymy tekst z każdej strony w jeden plik .txt.
Żaden element tego procesu nie odwołuje się do serwera: PDF.js, Tesseract.js i pdf-lib działają po stronie klienta. Jedynym żądaniem sieciowym związanym z OCR jest jednorazowe pobranie wytrenowanego modelu językowego (około 5–15 MB na język), który Twoja przeglądarka buforuje potem na następny raz.
Uczciwe oczekiwania
- Czysty druk w 300 DPI: zwykle od 95% do 98% dokładności na znak. Wystarczająco do przeszukiwania oraz do kopiowania/wklejania z drobną korektą.
- Niska rozdzielczość (poniżej 200 DPI) lub strony sfotografowane: dokładność gwałtownie spada; Tesseract potrzebuje ostrych krawędzi liter. Jeśli możesz, zeskanuj ponownie w wyższym DPI.
- Układy wielokolumnowe i tabele: tekst wraca wiersz po wierszu, w poprzek kolumn. Nie porządkujemy go w logiczną kolejność czytania. W przypadku tabel rozważ PDF na Excel.
- Pismo odręczne: nie jest niezawodnie obsługiwane. Tesseract jest wytrenowany na druku; znaki pisane ręcznie zwykle wracają nieczytelne.
- Intensywne mieszanie alfabetów: jeśli strona jest w połowie po arabsku, a w połowie po łacinie, wybierz ten alfabet, który przeważa. OCR wieloalfabetowy jest możliwy, ale wolniejszy i mniej dokładny.
Prywatność i bezpieczeństwo
OCR to kategoria, w której przetwarzanie w przeglądarce jest szczególnie cenne. Zeskanowane dokumenty bywają jednymi z najbardziej wrażliwych, jakie ludzie posiadają — kopie paszportów, zeznania podatkowe, umowy, dokumentacja medyczna, umowy najmu — a wysyłanie ich na serwer zewnętrzny tworzy ślad, którego nie da się usunąć. Ponieważ każdy bajt tego procesu działa lokalnie, nie ma przesyłania do odnotowania, nie ma pliku tymczasowego do zajęcia, nie ma okresu przechowywania, któremu trzeba ufać. Sam silnik OCR jest otwartoźródłowy i możliwy do skontrolowania.
Najczęstsze pytania
Na czystym skanie 300 DPI drukowanego dokumentu w obsługiwanym języku można oczekiwać mniej więcej 95–98% dokładności znaków. Skany o niższej rozdzielczości (poniżej 200 DPI), wyblakłe kserokopie, przekrzywione strony i drobne czcionki wyraźnie obniżają dokładność. Pismo odręczne nie jest niezawodnie rozpoznawane przez Tesseract — w przypadku notatek odręcznych zwykle potrzebny jest inny silnik (działający tylko w chmurze).
Nie. Silnik rozpoznawania (Tesseract.js, skompilowany do WebAssembly) działa w całości wewnątrz karty Twojej przeglądarki. Wybrany plik PDF jest wczytywany do pamięci, każda strona jest rasteryzowana na płótnie, a piksele z płótna trafiają prosto do Tesseract — bez przesyłania dokumentu przez sieć, bez kroku po stronie serwera. Możesz to sprawdzić w panelu Sieć w przeglądarce: pobierany jest jedynie model językowy (raz, a potem buforowany).
Z góry wypisujemy 12 języków używanych przez samą witrynę imisspdf.com: angielski, hiszpański, francuski, niemiecki, portugalski, włoski, indonezyjski, japoński, koreański, chiński (uproszczony), arabski i hindi. Tesseract obsługuje około 100 kolejnych — wklej dowolny kod ISO 639-3 (jak „vie” lub „tha”) w pole języka, a pasujący model zostanie pobrany na żądanie.
Przy pierwszym uruchomieniu OCR w danym języku Tesseract pobiera wytrenowany model dla tego języka (zwykle 5–15 MB) oraz silnik WebAssembly (~30 MB). Potem są one buforowane w przeglądarce, więc kolejne uruchomienia ruszają w ciągu sekundy lub dwóch. Zamknięcie karty nie usuwa pamięci podręcznej.
Wybierz przeszukiwalny PDF, jeśli chcesz zachować pierwotny wygląd dokumentu i jedynie sprawić, by jego tekst stał się zaznaczalny i przeszukiwalny przez Ctrl+F (tekst z OCR jest nakładany niewidocznie na wierzch). Wybierz Tylko tekst, jeśli potrzebujesz wyłącznie słów — na przykład do wklejenia w aplikacji do notatek albo do podania innemu narzędziu.