pdfMB

OCR PDF

Gawing puwedeng i-search ang na-scan na PDF at kopyahin ang text nito. Eksaktong pareho pa rin ang itsura ng mga pahina, at nananatili ang iyong file sa device na ito.

  • Walang uploadNananatili ang file mo sa device na ito.
  • Isang beses lang dina-download ang data ng wikaAng data lang sa pagbasa ng mga piniling wika ang dina-download, tapos itatago sa device na ito.
  • Libre, walang sign-upWalang account at walang daily limit.

Ano ang nangyayari sa iyong file

Lahat ng nasa ibaba ay nangyayari sa loob ng iyong browser, sa sarili mong device. Hindi kailanman ina-upload ang iyong PDF o mga larawan, kaya walang ibang makakakita sa mga ito, kahit kami.

  1. Ang text reader ay Tesseract, isang libre at open-source na OCR engine, na tumatakbo sa iyong browser. Nilo-load ito mula mismo sa pdfMB, hindi mula sa server ng ibang kumpanya.
  2. Sa unang beses na gumamit ka ng isang wika, ang data nito (mula 0.5 hanggang 3 MB) ay dina-download mula sa pdfMB at itinatabi ng iyong browser. Iyon lang ang download: walang pinupuntahan ang iyong file.
  3. Iginuguhit ang bawat pahina bilang larawan sa 300 dpi at binabasa nang linya por linya. Nilalaktawan ang mga pahinang may tunay nang text, maliban kung hilingin mo.
  4. Idinadagdag sa pahina ang mga nakitang salita bilang invisible na text, nakapatong mismo sa parehong mga salita sa larawan. Pagkatapos, gumagana na ang search, select at copy sa kahit anong PDF reader.
  5. Walang anumang bahagi ng pahina ang iginuguhit ulit o kino-compress ulit. Idinadagdag ang bagong text sa dulo ng file, at nananatili sa loob nito ang orihinal na file nang walang binago, byte por byte.
  6. Pumapasok sa PDF ang mga larawan gaya ng dati (hindi kino-compress ulit ang mga JPEG na larawan), at idinadagdag ang text sa ibabaw ng mga ito.
Sa madaling sabi
  1. Pumili ng PDF o litrato
  2. Suriin ang mga wika
  3. Pindutin ang “Basahin”
  4. I-download o kopyahin ang teksto

Paano gawing puwedeng i-search ang na-scan na PDF

  1. Pumili ng PDF, o isa o higit pang larawan ng mga pahina.
  2. Suriin ang mga wika. Napili na para sa iyo ang wika ng pahinang ito at English; idagdag ang iba pang wikang lumalabas sa dokumento.
  3. Pindutin ang “Basahin”. Binabasa ang mga pahina nang isa-isa, at makikita mo kung aling pahina ang binabasa.
  4. I-download ang PDF na puwedeng i-search, o kopyahin ang text at i-save ito bilang .txt na file.

Mga tip para sa magandang resulta

  • Mag-scan sa 300 dpi kung puwede itong piliin sa iyong scanner. Sa mas mababang resolution, mahirap basahin ang maliliit na letra.
  • Kunan ang mga pahina nang nakalapag nang patag, diretso sa harap at sa maliwanag na lugar, nang walang anino sa text. Itinutuwid ng tool na I-scan papuntang PDF ang mga pahina para sa iyo.
  • Iharap muna nang tama ang mga pahinang nakatagilid o baligtad gamit ang Ikutin ang PDF.
  • Piliin lang ang mga wikang talagang nasa dokumento. Nagpapabagal sa pagbasa ang sobrang wika at maaaring magdagdag ng mali.
  • Hindi maayos nababasa ang sulat-kamay, napakaliit na print at mga dekoratibong font, kaya suriin ang text bago ka umasa rito.

Kailan ito ginagamit

Mga na-scan na kontrata at sulat

Maghanap ng pangalan, petsa o halaga sa mahabang na-scan na dokumento gamit ang Ctrl+F, sa halip na basahin ang bawat pahina.

Mga lumang papeles at archive

Gawing puwedeng i-search ang mga folder ng na-scan na pahina, para mahanap ng iyong computer ang dokumento gamit ang mga salita sa loob nito.

Mga larawan ng paunawa at resibo

Kopyahin ang text mula sa larawan ng paunawa, menu o resibo at i-paste ito sa mensahe o sa translator.

Mga dokumentong may higit sa isang wika

Pumili ng dalawa o higit pang wika, gaya ng Filipino at English o Chinese at English, at mababasa ang pareho sa iisang pahina.

Ang hindi nito kayang gawin

  • Nagkakamali ang OCR, lalo na sa malalabong larawan, maliit na print, mga table at sulat-kamay. Laging suriin ang mahahalagang pangalan, numero at halaga.
  • Binabasa ang text nang pahalang na linya. Hindi nababasa nang tama ang patayong Chinese o Japanese na text, pati ang mga pahinang nakatagilid.
  • Hindi binubuo ulit ang layout. Makakakuha ka ng text na puwedeng i-search sa ibabaw ng orihinal na pahina, hindi ng Word na dokumentong puwedeng i-edit.
  • Sa aming mga test, may ilang wikang hindi kasingtumpak ng iba. May markang “mas mababang katumpakan” ang mga ito sa listahan ng wika.
  • Dina-download ang language data sa unang beses na gumamit ka ng isang wika (ipinapakita ang laki bago ka magsimula), kaya kailangan ng internet sa unang beses na iyon.
  • Sa iyong device nangyayari ang pagbasa, kaya mas mabagal ito sa lumang phone, at maaaring maubos ng napakahabang dokumento ang memory ng phone. Hatiin muna ang mga ito sa ilang bahagi.
  • Hindi mababasa ang mga PDF na may password, at ang mga PDF na hinarangan ng may-ari ang pagbabago.

Mga tanong tungkol sa OCR

Ano ang OCR?

Ang OCR (optical character recognition) ay ang pagbasa sa mga letra sa isang larawan at paggawa sa mga ito bilang tunay na text. Mga larawan lang ng pahina ang na-scan na PDF, kaya hindi mo ito ma-search o makopyahan hangga’t hindi ito dumadaan sa OCR.

Mag-iiba ba ang itsura ng aking PDF?

Hindi. Idinadagdag ang text bilang invisible na layer, kaya eksaktong pareho ang itsura ng mga pahina. Sa aming mga test, magkapareho ang mga pahina bago at pagkatapos, pixel por pixel.

Ina-upload ba ang aking dokumento?

Hindi. Tumatakbo ang text reader sa iyong browser. Ang language data lang ang dina-download, mula sa pdfMB. Hindi kailanman ipinapadala kahit saan ang iyong file.

Anong mga wika ang kaya nitong basahin?

Ang 32 wika ng website na ito, kasama ang English, Thai, Chinese (simplified at traditional), Japanese, Korean, Arabic, Hebrew, Hindi, Bengali, Burmese, Russian at Vietnamese. Pumili ng ilan kung halo-halo ang wika sa dokumento.

Gaano ito katumpak?

Sa malilinis na printed na pahina, halos lahat ng character ay tama sa karamihan ng wika. Mas mahirap ang mga larawan, maliit na text at ilang sistema ng pagsulat. Sinubukan namin ang bawat wika at minarkahan ang mas mahihina ng “mas mababang katumpakan”.

Bakit nilalaktawan ang ilang pahina?

Hindi na kailangan ng OCR ang mga pahinang may tunay nang text, gaya ng mga pahinang ginawa sa Word, kaya hinahayaan ang mga ito gaya ng dati. Lagyan ng tsek ang “Basahin din ang mga pahinang may text na” para basahin pa rin ang mga ito.

Puwede ko bang makuha ang text lang?

Oo. Pagkatapos magbasa, lumalabas ang text sa ilalim ng download button. Pindutin ang “Kopyahin ang text”, o ang “I-download ang .txt” para i-save ito bilang plain text file.