OCR PDF
Taranmış bir PDF'i seçilebilir, aranabilir bir belgeye dönüştürün. %100 tarayıcınızda: dosyanız cihazınızdan hiç ayrılmaz.
Taranmış bir PDF seçin
veya bir PDF'i buraya sürükleyin — Tesseract.js ile yerel olarak işlenir
—
300 DPI temiz basılı taramalarda en iyi sonucu verir (~%98 doğruluk). Düşük çözünürlüklü taramalar, solmuş fotokopiler ve küçük yazı tipleri daha az doğru olur. El yazısı güvenilir biçimde desteklenmez.
Your file is ready
Processed entirely in your browser — the file never left your device.
Bir PDF'e OCR nasıl uygulanır
Üç adım. Hiçbir şey yüklenmez.
Taranmış bir PDF seçin
PDF'inizi açın veya sürükleyin. Tarayıcınızda kalır.
Dili ve çıktıyı seçin
Belgenin dilini ve aranabilir bir PDF mi yoksa yalnızca metin mi istediğinizi seçin.
Çalıştırın ve indirin
Tesseract.js (WebAssembly) her sayfayı sekmenizde tanır; ardından sonucu indirirsiniz.
OCR nedir ve çalıştırdıktan sonra ne değişir?
Optik Karakter Tanıma (OCR), bir metin görüntüsünü, bir bilgisayarın kopyalayabileceği, arayabileceği ve dizine ekleyebileceği gerçek metin karakterlerine dönüştürür. "Taranmış" bir PDF, bir PDF kabının içine yapıştırılmış bir sayfa görüntüleri yığınından başka bir şey değildir; gördüğünüz sözcükler harfler değil, piksellerdir. OCR'den sonra belgede, o piksellerin üzerine yerleştirilmiş görünmez bir metin katmanı bulunur (böylece aynı görünür ama Ctrl+F çalışır) ya da metni, başka bir yere yapıştırabileceğiniz biçimsiz bir .txt dosyasına çıkarmış olursunuz. Yukarıda her iki mod da sunulur.
Bu sayfada OCR nasıl çalışır
Google'ın açık kaynaklı Tesseract motorunun WebAssembly derlemesi olan Tesseract.js'yi, tarayıcı sekmenizin içinde çalışacak şekilde kullanıyoruz. OCR'yi çalıştır'a tıkladığınızda:
- PDF'inizin her sayfası PDF.js ile 300 DPI'da bir tuvale rasterleştirilir.
- Tuval pikselleri Tesseract.js'ye aktarılır; bu da tanınan metni ve satır başına sınırlayıcı kutuları döndürür.
- Aranabilir PDF için özgün sayfalarınızı yeni bir PDF'e kopyalar ve tanınan metni 0 opaklıkla bindiririz: gözle görünmez ama seçilebilir ve aranabilir.
- Yalnızca metin için her sayfanın metnini tek bir .txt dosyasında birleştiririz.
Bu hattın hiçbiri bir sunucuyu çağırmaz: PDF.js, Tesseract.js ve pdf-lib istemci tarafında çalışır. OCR ile ilgili tek ağ isteği, eğitilmiş dil modelinin tek seferlik indirilmesidir (dil başına yaklaşık 5 ila 15 MB); tarayıcınız bunu bir sonraki sefer için önbelleğe alır.
Dürüst beklentiler
- 300 DPI'da temiz basılı metin: genellikle karakter başına %95 ila %98 doğruluk. Aramak ve küçük bir düzeltmeyle kopyala/yapıştır için yeterli.
- Düşük çözünürlük (200 DPI altı) veya fotoğraflanmış sayfalar: doğruluk hızla düşer; Tesseract net harf kenarlarına ihtiyaç duyar. Mümkünse daha yüksek DPI'da yeniden tarayın.
- Çok sütunlu düzenler ve tablolar: metin, sütunlar boyunca satır satır döner. Bunu mantıksal bir okuma sırasına yeniden düzenlemeyiz. Tablolar için PDF'ten Excel'e seçeneğini değerlendirin.
- El yazısı: güvenilir biçimde desteklenmez. Tesseract basılı yazı tipiyle eğitilmiştir; el yazısı karakterler genellikle anlamsız döner.
- Yoğun alfabe karışımı: bir sayfa yarı Arapça yarı Latin ise, baskın olanı seçin. Çok alfabeli OCR mümkündür ama daha yavaş ve daha az doğrudur.
Gizlilik ve güvenlik
OCR, tarayıcıda işlemenin özellikle değerli olduğu bir kategoridir. Taranmış belgeler genellikle insanların sahip olduğu en hassas şeylerdir — pasaport kopyaları, vergi beyannameleri, sözleşmeler, tıbbi kayıtlar, kira sözleşmeleri — ve bunları üçüncü taraf bir sunucuya göndermek, silemeyeceğiniz bir iz oluşturur. Hattın her baytı yerel olarak çalıştığından, günlüğe yazılacak bir yükleme, el konulacak bir geçici dosya veya güvenmeniz gereken bir saklama süresi yoktur. OCR motorunun kendisi açık kaynaklı ve denetlenebilirdir.
Sık sorulan sorular
Desteklenen bir dilde, basılı bir belgenin temiz 300 DPI taramasında yaklaşık %95–98 karakter doğruluğu bekleyin. Daha düşük çözünürlüklü taramalar (200 DPI altı), solmuş fotokopiler, eğri sayfalar ve küçük yazı tipleri doğruluğu gözle görülür biçimde düşürür. El yazısı, Tesseract tarafından güvenilir biçimde tanınmaz — el yazısı notlar için genellikle farklı (yalnızca bulut tabanlı) bir motora ihtiyaç duyarsınız.
Hayır. Tanıma motoru (WebAssembly'ye derlenmiş Tesseract.js) tamamen tarayıcı sekmenizin içinde çalışır. Seçtiğiniz PDF belleğe okunur, her sayfa bir tuvale rasterleştirilir ve tuval pikselleri doğrudan Tesseract'a aktarılır — belgenizin ağ üzerinden yüklenmesi yok, sunucu tarafı adım yok. Bunu tarayıcınızın Ağ sekmesinde doğrulayabilirsiniz: yalnızca dil modeli getirilir (bir kez, sonra önbelleğe alınır).
imisspdf.com'un kendisinin kullandığı 12 dili önceden listeliyoruz: İngilizce, İspanyolca, Fransızca, Almanca, Portekizce, İtalyanca, Endonezce, Japonca, Korece, Çince (Basitleştirilmiş), Arapça ve Hintçe. Tesseract yaklaşık 100 dili daha destekler — dil kutusuna herhangi bir ISO 639-3 kodu ("vie" veya "tha" gibi) yapıştırın; eşleşen model talep üzerine getirilir.
Belirli bir dilde ilk kez OCR yaptığınızda, Tesseract o dil için eğitilmiş modelini (genellikle 5–15 MB) ve WebAssembly motorunu (~30 MB) indirir. Bundan sonra bunlar tarayıcınızda önbelleğe alınır, böylece sonraki çalıştırmalar bir iki saniye içinde başlar. Sekmeyi kapatmak önbelleği silmez.
Özgün belgenin görünümünü korumak ve yalnızca metnini seçilebilir ve Ctrl+F ile aranabilir yapmak istiyorsanız Aranabilir PDF'i seçin (OCR metni görünmez biçimde üstüne yerleştirilir). Yalnızca sözcüklere ihtiyacınız varsa — örneğin bir not uygulamasına yapıştırmak veya başka bir araca beslemek için — Yalnızca metin'i seçin.