OCR – szövegfelismerés, kereshető PDF

A szkenner vagy a telefon a lapot képként menti PDF-be. Ránézésre olvasható, de a számítógép számára csak egy fénykép: nem tudsz benne a Ctrl+F-fel keresni, nem jelölhetsz ki belőle mondatot, és a dokumentumkezelők, levelezők sem indexelik. A kereshető PDF ugyanaz a dokumentum egy láthatatlan szövegréteggel kiegészítve. Az oldalképek változatlanok maradnak, de minden felismert szó ott van alattuk, pontosan a helyén. Így ha rákeresel egy névre vagy összegre, a PDF-olvasó kiemeli a képen, és ha kijelölsz egy bekezdést, a valódi szöveget másolod ki.

Az eszköz az eredeti PDF oldalait nem rajzolja újra: a szövegréteg rákerül a meglévő oldalakra, ezért a képminőség nem romlik, és a fájl mérete alig nő. Egy kétoldalas, 300 dpi-s A4-es szkennelés a próbánkban 371 KB-ról 382 KB-ra nőtt. Ha képeket töltesz fel, minden képből egy A4 szélességű oldal lesz, a képpel kitöltve és a szövegréteggel.

A felismerést a nyílt forrású Tesseract végzi, amely a böngésződben fut (tesseract.js). A PDF-oldalakat kb. 300 dpi felbontásban rajzoljuk ki, mert ennél a felbontásnál a legpontosabb a felismerés. A Tesseract soronként és szavanként visszaadja, mit talált és hol: ebből számoljuk ki minden szó helyét, betűméretét és szélességét, majd a szót láthatatlan szövegként (a PDF 3-as megjelenítési módjával) pontosan a képen látható szó fölé írjuk. A szövegréteg betűtípusa a DejaVu Sans, amely az összes magyar ékezetes betűt tartalmazza, így az ő és az ű is helyesen kereshető.

Az elforgatott oldalakat (például fekvő táblázatot, amelyet a szkenner elforgatva mentett) is kezeli: a szöveg az oldal tényleges irányában kerül a helyére. A nagyon bizonytalan felismeréseket (foltok, szegélyek, árnyékok) kiszűrjük, hogy ne kerüljön szemét a szövegbe.

Első használatkor a választott nyelv adatait le kell tölteni (nyelvenként kb. 3 MB), ezeket a böngésző megjegyzi. Maga a dokumentum nem hagyja el a gépedet: nincs feltöltés, nincs szerveroldali feldolgozás.

• Kereshető PDF: ha a dokumentumot archiválnád, továbbküldenéd vagy benne keresnél, és fontos, hogy pontosan úgy nézzen ki, mint az eredeti. Számlák, szerződések, iratok, régi jegyzőkönyvek digitalizálásához ez a jó választás.
• Szöveg (TXT): ha csak a tartalom kell, például egy idézethez, e-mailhez vagy egy másik programba bemásoláshoz. Oldalanként tagolva, bekezdésekre bontva kapod, a sor végén elválasztott szavakat összevonjuk.
• Word (DOCX): ha szerkesztenéd a szöveget. A felismert bekezdésekből és a nagyobb betűs sorokból készült címsorokból szerkeszthető dokumentum lesz. Az elrendezés (hasábok, táblázatok) nem marad meg, azt Wordben kell igazítani.

Vegyes PDF-nél, amelyben gépelt oldalak és beszkennelt mellékletek váltakoznak, a kereshető PDF módban a már szöveges oldalakat alapból kihagyjuk, hogy ne kerüljön kétszer szöveg ugyanoda.

A pontosság elsősorban a beolvasáson múlik. Jó minőségű, nyomtatott szövegnél a felismerés szavanként jellemzően 95% fölötti biztonságú; az eszköz a végén kiírja az átlagos biztonságot, és figyelmeztet, ha az 70% alatt marad.

• Felbontás: szkennelj 300 dpi-vel. 150 dpi alatt a kisbetűs szöveg és az ékezetek hibásak lehetnek.
• Egyenes lap: a ferdén fotózott, gyűrött vagy árnyékos oldal rontja az eredményt. Telefonnal felülről, jó fényben fotózz, úgy, hogy a lap kitöltse a képet.
• Nyelv: állítsd be a dokumentum nyelvét. A magyar és angol együtt az alapértelmezett, mert sok hivatalos irat vegyes; német dokumentumhoz válaszd a németet.
• Kézírás: a Tesseract nyomtatott szövegre készült, kézírásnál megbízhatatlan.

A felismert szöveget érdemes átnézni, különösen a számokat, az összegeket, a neveket és a dátumokat, mielőtt hivatalos célra használod.

Egy A4-es oldal felismerése átlagos gépen néhány másodperc, telefonon ennek többszöröse is lehet. Hosszú dokumentumnál az Oldalak mezőben megadhatod, mely oldalakat ismerje fel (például 1-10 vagy 3, 7-9), így előbb kipróbálhatod a minőséget néhány oldalon. A folyamatjelző oldalanként mutatja, hol tart a felismerés.

A kész kereshető PDF-et a PDF tömörítés eszközzel kisebbre veheted, ha e-mailhez vagy ügyfélkapus feltöltéshez túl nagy, több beolvasott dokumentumot pedig a PDF összefűzés eszközzel egy fájlba rendezhetsz. Ha a szkennelt PDF-ből elsősorban szerkeszthető dokumentum kell, a PDF to Word eszköz is felismeri a beolvasott oldalakat.