Bugün tedarikçimizden bir PDF aldım ve imzaları ile birlikte basılmış ve taranmış birkaç sayfa içeriyordu. Acrobat Reader DC'de açtım. Ama benim için sürpriz bir şekilde taranan resimlerden gelen metinler metin olarak seçilip kopyalanabilirdi. Ekran görüntüsüne bakın:

Kopyalanan metin hatalar içerdiğinden, bunun arkasında açıkça bir OCR var. Ama bu nasıl mümkün olabilir? Bunu daha önce hiç görmedim, bu nasıl yaratılabilir?

Bunun (burada bazı diğer cevapların aksine) büyük olasılıkla Acrobat ile hiçbir ilgisi yok.

Çoğu (tümü ?!) profesyonel belge tarayıcıları ve çoğu yarı profesyonel olanlar, "PDF Olarak Kaydet" seçeneğini seçtiğinizde ve ayarlarda "aranabilir" onay kutusunu işaretlerken, OCR'yi otomatik olarak gerçekleştirir. Daha ucuz "tüketici sınıfı" modelleri, bağlı PC'de OCR'yi yapacak, tipik ağ tarayıcıları dahili olarak yapacaktır.

"Aranabilir" kelimesi, tarayıcının OCR'yi gerçekleştirmesinden daha fazla bir şey ifade etmekten başka bir şey ifade etmez, daha sonra taranan bitmap'lerin içinde bir sayfa oluşturur ve bunların her birini bitmap üzerindeki ilgili karakterin üzerine yerleştirilen OCR'dan görünmeyen karakterlerle kaplar.

Bu şekilde, "bitmap" i sihirli bir şekilde araştırabilir, seçebilir, kopyalayabilir ve yapıştırabilirsiniz. Ancak, hiç sihir değil. Gerçekte, görünmez metni kopyalıyorsunuz.

Tarayıcı ayrıca, büyük görüntüyü tekrar kullanılan birçok küçük döşemeden birleştirmek gibi ek bir sihir de yapabilir. Bu, gerçekten mümkün olandan çok daha küçük bir belge boyutuna neden olur, ancak Xerox gibi komik sürprizlere (sizin için çok komik değil!) Fatura hikayenizi değiştirir ; Bellenimde.

Ama bu nasıl mümkün olabilir?

Temel olarak, bir program giriş dosyasında OCR gerçekleştirir ve ardından resmin üzerine görünmez bir metin katmanı yerleştirir. Alternatif olarak, resmin altında aynı etkiyi veren görünür bir metin katmanı da yerleştirebilir .

Bir şey seçtiğinizde, metin katmanı seçildiği için resim önemli değildir.

bu nasıl yaratılabilir?

Birkaç yol var. Acrobat'ın zaten önerildiği göz önüne alındığında, bazı ücretsiz seçenekler ekleyeceğim (ve neyse ki bunları kullanmak için Windows'a sahip olmanız gerekmiyor).

PDF-XChange Görüntüleyici

Bu, İzleyici Yazılımına göre yerel bir Windows programıdır . 32 bit sürümünü bir 32 bit ön ekinde kullanırsanız ücretsiz sürüm, Wine altında çalışır; bu nedenle Windows, macOS ve Linux'ta kullanabilirsiniz. Son iki durumda, sırasıyla PlayOnMac veya PlayOnLinux'a ihtiyacınız olacak.

İşte Ubuntu Ask'a bıraktığım bu cevabın bir fotoğrafı :

OCRmyPDF

Bu, Ghostscript, Tesseract ve Unpaper'a dayanan Python ile yazılmış çok platformlu bir programdır. Dokümanlardan:

OCRmyPDF ne yapar?

OCRmyPDF, bir sayfadaki tüm bilgileri içerik kaybetmeden yakalamak için gereken renk alanını ve çözünürlüğünü (DPI) belirlemek için bir PDF'nin her sayfasını analiz eder. Sayfayı rasterleştirmek için Ghostscript'i kullanır ve ardından bir OCR “katmanı” oluşturmak için rasterleştirilmiş görüntü üzerinde OCR üzerinde çalışır. Katman daha sonra orijinal PDF'ye geri aşılanır.

Debian ve Ubuntu türevlerine kolayca yüklenebilir:

apt-get install ocrmypdf

Veya macOS'ta:

brew tap jbarlow83/ocrmypdf
brew install ocrmypdf

Windows'ta Docker görüntüsünü kullanmanız gerekir. Ayrıntılar için resmi belgelere bakın.

Kullanımı çok basittir ve daha iyi sonuçlar için isteğe bağlı -d(eğrili) ve -c(temiz) parametreleri kullanmanızı öneririm . OCR işlemini çalıştırmadan önce her sayfayı düzeltecek ve küçük noktaları / kusurlarını temizleyecektir.

Dili size sağlayabilirsiniz (ve vermelisiniz) -l.

İşte İtalyanca yazılmış bu eğri belgeden alınan bir örnek :

Kullandığım komut şuydu:

ocrmypdf -l ita -d -c input.pdf output.pdf

Çevrimiçi araçlar

Aynı şeyi yapan birkaç çevrimiçi araç var. Kayda değer, PDF24, sınırlama olmadan kullanılabilecek ücretsiz web tabanlı bir OCRmyPDF sürümünü barındırıyor .

Ayrıca bakınız:

• ocr.space
• Cvision çevrimiçi OCR
• OCR ile LeadTools JS tabanlı demo

Bu muhtemelen bir Acrobat OCR özelliği nedeniyle :

Acrobat, düzinelerce dilde herhangi bir PDF veya resim dosyasındaki metni tanıyabilir. Tek yapmanız gereken, taranan belgeyi veya görüntüyü OCR'a açmak, ardından araç çubuğunun sağ üstündeki mavi Araçlar düğmesine tıklamak. Bu kenar çubuğunda, Metni Tanı sekmesini seçin, ardından Bu Dosyada düğmesini tıklatın.

...

Tanınan metin ile artık tüm normal biçimlendirme araçlarını kullanarak PDF'yi işaretleyebilirsiniz - metni vurgulayabilir, metni dışarı çıkarabilir ve daha fazlasını yapabilirsiniz . Metni, algılanan biçimlendirme ile bile kopyalayabilirsiniz, ancak bu genellikle metin tanımanın kendisinden daha az doğrudur.

Gönderen Adobe'nin web sitesinden

Taranan PDF dosyasındaki metni tanıma

Kağıt belgeleri PDF'ye tararken, gerçekten sadece bu belgelerin fotoğraflarını çekiyorsunuz. Bu, fotoğraflar ve diğer basılı görüntüler için harika, ancak içinde belirli bir sözcük veya kelime öbeği bulmanız gereken 200 sayfalık bir belgeniz varsa? Metin içeriğini aranabilir ve kullanılabilir hale getirerek taranan dosyadaki metni tanımak için Acrobat'ı kullanın.

1. Taranan belgeniz Acrobat'ta açıkken, Araçlar bölmesini açın ve Metin Tanıma panelini genişletin. Araçlar bölmesinde “Metin Tanıma” yı göremiyorsanız, üst sağ köşedeki menüyü seçerek ekleyebilirsiniz (aşağıdaki resim - o küçük kırmızı okun nereye baktığını görmek için? Oraya tıklayın).
2. Açtığınız dokümanı taramak için “Bu Dosyada” seçeneğini tıklayın. Yalnızca varsayılan ayarları kabul edebilir ve Metni Tanı kutusu açıldığında “Tamam” ı tıklayabilirsiniz. Acrobat, görüntüyü kullanılabilir metne dönüştürür; denemek için, İçerik Düzenleme paneliyle bir sözcüğü veya cümleyi düzenlemeyi deneyin. Bu harika değil mi?