OCR PDF

OCR là gì và điều gì thay đổi sau khi chạy nó?

Nhận dạng ký tự quang học (OCR) biến một hình ảnh của văn bản thành các ký tự văn bản thực sự mà máy tính có thể sao chép, tìm kiếm và lập chỉ mục. Một tệp PDF «đã quét» chẳng qua chỉ là một chồng hình ảnh các trang được dán vào trong một vùng chứa PDF; những từ bạn thấy là điểm ảnh, không phải chữ cái. Sau khi OCR, tài liệu có một lớp văn bản vô hình được đặt lên trên những điểm ảnh đó (nhờ vậy nó trông giống hệt nhưng Ctrl+F vẫn hoạt động), hoặc bạn đã trích phần văn bản ra một tệp .txt thuần không định dạng mà bạn có thể dán đi nơi khác. Cả hai chế độ đều có ở phía trên.

Cách OCR hoạt động trên trang này

Chúng tôi dùng Tesseract.js — bản biên dịch sang WebAssembly của engine mã nguồn mở Tesseract của Google — chạy bên trong thẻ trình duyệt của bạn. Khi bạn nhấn Chạy OCR:

1. Mỗi trang của tệp PDF được chuyển thành ảnh raster trên một canvas ở 300 DPI bằng PDF.js.
2. Các điểm ảnh của canvas được chuyển tới Tesseract.js, vốn trả về văn bản đã nhận dạng cùng các khung bao quanh theo từng dòng.
3. Với PDF có thể tìm kiếm, chúng tôi sao chép các trang gốc của bạn vào một tệp PDF mới và phủ văn bản đã nhận dạng với độ mờ 0: vô hình trước mắt, nhưng chọn được và tìm kiếm được.
4. Với Chỉ văn bản, chúng tôi nối văn bản của mỗi trang thành một tệp .txt duy nhất.

Không khâu nào trong quy trình này gọi tới máy chủ: PDF.js, Tesseract.js và pdf-lib đều chạy ở phía máy khách. Yêu cầu mạng duy nhất liên quan đến OCR là việc tải về một lần mô hình ngôn ngữ đã huấn luyện (khoảng 5 đến 15 MB mỗi ngôn ngữ), thứ mà trình duyệt của bạn sau đó lưu vào bộ nhớ đệm cho lần sau.

Kỳ vọng một cách thành thật

• Văn bản in sạch ở 300 DPI: thường từ 95% đến 98% độ chính xác theo ký tự. Đủ để tìm kiếm và để sao chép/dán với một chút chỉnh sửa.
• Độ phân giải thấp (dưới 200 DPI) hoặc trang chụp ảnh: độ chính xác tụt dốc; Tesseract cần các nét chữ sắc cạnh. Hãy quét lại ở DPI cao hơn nếu có thể.
• Bố cục nhiều cột và bảng: văn bản trả về theo từng hàng ngang qua các cột. Chúng tôi không sắp xếp lại nó thành thứ tự đọc hợp lý. Với bảng, hãy cân nhắc PDF sang Excel.
• Chữ viết tay: không được hỗ trợ một cách đáng tin cậy. Tesseract được huấn luyện trên kiểu chữ in; các ký tự viết tay thường trả về không đọc được.
• Trộn nhiều hệ chữ viết: nếu một trang nửa tiếng Ả Rập nửa chữ Latin, hãy chọn hệ chữ chiếm ưu thế. OCR đa hệ chữ là khả thi, nhưng chậm hơn và kém chính xác hơn.

Quyền riêng tư và bảo mật

OCR là một hạng mục mà việc xử lý ngay trong trình duyệt đặc biệt có giá trị. Tài liệu đã quét thường là những thứ riêng tư nhất của con người — bản sao hộ chiếu, tờ khai thuế, hợp đồng, hồ sơ y tế, hợp đồng thuê nhà — và gửi chúng lên máy chủ của bên thứ ba tạo ra một dấu vết mà bạn không thể xóa. Vì mỗi byte trong quy trình chạy cục bộ, nên không có việc tải lên để ghi nhận, không có tệp tạm để bị thu giữ, không có thời hạn lưu trữ nào để phải tin tưởng. Bản thân engine OCR là mã nguồn mở và có thể kiểm tra được.