OCR PDF

OCR คืออะไร และมีอะไรเปลี่ยนไปหลังจากรันมัน?

การรู้จำอักขระด้วยแสง (OCR) จะแปลงภาพของข้อความให้เป็นตัวอักษรข้อความจริง ที่คอมพิวเตอร์สามารถคัดลอก ค้นหา และจัดทำดัชนีได้ PDF ที่ «สแกนมา» ก็เป็นเพียงกองภาพของหน้ากระดาษที่ติดอยู่ภายในกล่อง PDF เท่านั้น คำที่คุณเห็นเป็นพิกเซล ไม่ใช่ตัวอักษร หลังจากทำ OCR เอกสารจะมีชั้นข้อความ ที่มองไม่เห็นวางทับอยู่บนพิกเซลเหล่านั้น (ทำให้ ดู เหมือนเดิมทุกประการ แต่ Ctrl+F ใช้งานได้) หรือไม่คุณก็ได้ดึงข้อความออกมาเป็นไฟล์ .txt แบบไม่มีรูปแบบ ที่นำไปวางที่อื่นได้ ทั้งสองโหมดมีให้เลือกด้านบน

OCR ทำงานอย่างไรบนหน้านี้

เราใช้ Tesseract.js — เวอร์ชันที่คอมไพล์เป็น WebAssembly ของเอนจิน Tesseract แบบโอเพนซอร์สจาก Google — ทำงานอยู่ภายในแท็บเบราว์เซอร์ของคุณ เมื่อคุณคลิก รัน OCR:

1. แต่ละหน้าของ PDF ของคุณจะถูกแปลงเป็นภาพแรสเตอร์ลงบนแคนวาสที่ 300 DPI ด้วย PDF.js
2. พิกเซลของแคนวาสจะถูกส่งไปยัง Tesseract.js ซึ่งจะคืนข้อความที่จดจำได้พร้อมกรอบขอบเขตของแต่ละบรรทัด
3. สำหรับ PDF ที่ค้นหาได้ เราคัดลอกหน้าต้นฉบับของคุณลงใน PDF ใหม่ แล้ววางข้อความที่จดจำได้ทับด้วยความทึบแสง 0: มองไม่เห็นด้วยตา แต่เลือกและค้นหาได้
4. สำหรับ ข้อความอย่างเดียว เราเชื่อมข้อความของแต่ละหน้าเข้าด้วยกันเป็นไฟล์ .txt เดียว

ไม่มีขั้นตอนใดในกระบวนการนี้ที่เรียกใช้เซิร์ฟเวอร์: PDF.js, Tesseract.js และ pdf-lib ทำงานฝั่งไคลเอนต์ทั้งหมด คำขอเครือข่ายเดียวที่เกี่ยวข้องกับ OCR คือการดาวน์โหลด โมเดลภาษาที่ฝึกไว้เพียงครั้งเดียว (ประมาณ 5 ถึง 15 MB ต่อภาษา) ซึ่งเบราว์เซอร์ของคุณจะเก็บไว้ในแคชสำหรับครั้งถัดไป

ความคาดหวังตามจริง

• ข้อความพิมพ์ที่สะอาดที่ 300 DPI: โดยปกติได้ความแม่นยำต่อตัวอักษร 95% ถึง 98% เพียงพอสำหรับการค้นหาและการคัดลอก/วางพร้อมแก้ไขเล็กน้อย
• ความละเอียดต่ำ (น้อยกว่า 200 DPI) หรือหน้าที่ถ่ายภาพมา: ความแม่นยำตกลงอย่างมาก Tesseract ต้องการขอบตัวอักษรที่คมชัด สแกนใหม่ที่ DPI สูงขึ้นหากทำได้
• เลย์เอาต์หลายคอลัมน์และตาราง: ข้อความจะออกมาทีละแถวข้ามคอลัมน์ เราไม่ได้จัดเรียงใหม่ตามลำดับการอ่านที่เป็นเหตุเป็นผล สำหรับตาราง ลองพิจารณา PDF เป็น Excel
• ลายมือเขียน: ไม่รองรับอย่างน่าเชื่อถือ Tesseract ถูกฝึกด้วยตัวพิมพ์ ตัวอักษรที่เขียนด้วยมือมักออกมาอ่านไม่ได้
• ผสมหลายอักขระจำนวนมาก: หากหน้าหนึ่งครึ่งเป็นอาหรับและครึ่งเป็นละติน ให้เลือกอักขระที่มีมากกว่า OCR แบบหลายอักขระทำได้ แต่ช้ากว่าและแม่นยำน้อยกว่า

ความเป็นส่วนตัวและความปลอดภัย

OCR เป็นหมวดหมู่ที่การประมวลผลในเบราว์เซอร์มีคุณค่าเป็นพิเศษ เอกสารที่สแกนมา มักเป็นสิ่งที่ละเอียดอ่อนที่สุดที่ผู้คนครอบครอง — สำเนาหนังสือเดินทาง แบบแสดงรายการภาษี สัญญา ประวัติการรักษา สัญญาเช่า — และการส่งไปยังเซิร์ฟเวอร์ ของบุคคลที่สามสร้างร่องรอยที่คุณลบไม่ได้ เนื่องจากทุกไบต์ของกระบวนการ ทำงานในเครื่อง จึงไม่มีการอัปโหลดให้บันทึก ไม่มีไฟล์ชั่วคราวให้ยึด และไม่มีระยะเวลาเก็บข้อมูลที่ต้องไว้ใจ ตัวเอนจิน OCR เองก็เป็นโอเพนซอร์ส และตรวจสอบได้