pdfMB

OCR PDF

Maak een gescande PDF doorzoekbaar en kopieer de tekst. De pagina’s zien er precies hetzelfde uit en je bestand blijft op dit apparaat.

  • Geen uploadJe bestand blijft op dit apparaat.
  • Taalgegevens worden één keer gedownloadAlleen de leesgegevens voor jouw talen worden gedownload en daarna op dit apparaat bewaard.
  • Gratis, zonder accountGeen account en geen daglimiet.

Wat er met je bestand gebeurt

Alles hieronder gebeurt in je browser, op je eigen apparaat. Je PDF of foto’s worden nooit geüpload, dus niemand anders, ook wij niet, kan ze zien.

  1. De tekstherkenning is Tesseract, een gratis open-source OCR-engine die in je browser draait. Hij wordt geladen van pdfMB zelf, niet van de server van een ander bedrijf.
  2. De eerste keer dat je een taal gebruikt, worden de gegevens ervan (tussen 0,5 en 3 MB) van pdfMB gedownload en door je browser bewaard. Dat is de enige download: je bestand gaat nergens heen.
  3. Elke pagina wordt als afbeelding van 300 dpi getekend en regel voor regel gelezen. Pagina’s die al echte tekst hebben, worden overgeslagen, tenzij je erom vraagt.
  4. De gevonden woorden worden als onzichtbare tekst aan de pagina toegevoegd, precies over dezelfde woorden in de afbeelding. Zoeken, selecteren en kopiëren werken dan in elke PDF-lezer.
  5. Niets op de pagina’s wordt opnieuw getekend of opnieuw gecomprimeerd. De nieuwe tekst wordt aan het eind van het bestand toegevoegd en het originele bestand blijft er byte voor byte ongewijzigd in staan.
  6. Foto’s gaan zoals ze zijn in de PDF (JPEG-foto’s worden niet opnieuw gecomprimeerd) en de tekst komt eroverheen.
In het kort
  1. Kies een PDF of foto’s
  2. Controleer de talen
  3. Druk op ‘Lezen’
  4. Download of kopieer de tekst

Zo maak je een gescande PDF doorzoekbaar

  1. Kies een PDF, of een of meer foto’s van pagina’s.
  2. Controleer de talen. De taal van deze pagina en Engels zijn al voor je gekozen; voeg elke andere taal toe die in het document voorkomt.
  3. Druk op ‘Lezen’. De pagina’s worden een voor een gelezen en je ziet welke pagina aan de beurt is.
  4. Download de doorzoekbare PDF, of kopieer de tekst en sla hem op als .txt-bestand.

Tips voor een goed resultaat

  • Scan op 300 dpi als je scanner je laat kiezen. Bij een lagere resolutie zijn kleine letters moeilijk te lezen.
  • Fotografeer pagina’s plat, recht van boven en bij goed licht, zonder schaduw over de tekst. De tool ‘Scannen naar PDF’ maakt pagina’s voor je recht.
  • Draai liggende of ondersteboven staande pagina’s eerst de goede kant op met ‘PDF draaien’.
  • Kies alleen de talen die echt in het document staan. Extra talen maken het lezen trager en kunnen fouten opleveren.
  • Handschrift, heel kleine letters en sierlijke lettertypen worden slecht gelezen, dus controleer de tekst voordat je erop vertrouwt.

Wanneer mensen het gebruiken

Gescande contracten en brieven

Vind een naam, datum of bedrag in een lang gescand document met Ctrl+F, in plaats van elke pagina te lezen.

Oude papieren en archieven

Maak mappen vol gescande pagina’s doorzoekbaar, zodat je computer een document kan vinden aan de woorden erin.

Foto’s van mededelingen en bonnetjes

Kopieer de tekst van een foto van een mededeling, een menukaart of een bonnetje en plak hem in een bericht of een vertaaltool.

Documenten in meer dan één taal

Kies twee of meer talen, zoals Thai en Engels of Chinees en Engels, en beide worden op dezelfde pagina gelezen.

Wat het niet kan

  • OCR maakt fouten, vooral bij wazige foto’s, kleine letters, tabellen en handschrift. Controleer belangrijke namen, getallen en bedragen altijd.
  • Tekst wordt in horizontale regels gelezen. Verticaal Chinees of Japans en gekantelde pagina’s worden niet goed gelezen.
  • De opmaak wordt niet nagebouwd. Je krijgt doorzoekbare tekst over de originele pagina, geen bewerkbaar Word-document.
  • Sommige talen worden in onze tests minder nauwkeurig gelezen dan andere. Die staan in de talenlijst gemarkeerd als ‘minder nauwkeurig’.
  • Taalgegevens worden gedownload de eerste keer dat je een taal gebruikt (de grootte zie je voordat je begint), dus die eerste keer heb je een internetverbinding nodig.
  • Het lezen gebeurt op je apparaat, dus op oudere telefoons gaat het trager en heel lange documenten kunnen het geheugen van een telefoon vol laten lopen. Splits ze eerst in delen.
  • PDF’s met een wachtwoord, en PDF’s waarvan de eigenaar wijzigingen heeft geblokkeerd, kunnen niet gelezen worden.

Vragen over OCR

Wat is OCR?

OCR (optical character recognition, optische tekenherkenning) betekent dat de letters in een afbeelding worden gelezen en omgezet in echte tekst. Een gescande PDF bestaat alleen uit afbeeldingen van pagina’s, dus je kunt er pas in zoeken of uit kopiëren als hij door OCR is gegaan.

Ziet mijn PDF er anders uit?

Nee. De tekst wordt toegevoegd als onzichtbare laag, dus de pagina’s zien er precies hetzelfde uit. In onze tests zijn de pagina’s voor en na pixel voor pixel gelijk.

Wordt mijn document geüpload?

Nee. De tekstherkenning draait in je browser. Het enige wat wordt gedownload, zijn de taalgegevens, van pdfMB. Je bestand wordt nergens heen gestuurd.

Welke talen kan het lezen?

De 32 talen van deze website, waaronder Engels, Thai, Chinees (vereenvoudigd en traditioneel), Japans, Koreaans, Arabisch, Hebreeuws, Hindi, Bengaals, Birmaans, Russisch en Vietnamees. Kies er meerdere als het document talen door elkaar gebruikt.

Hoe nauwkeurig is het?

Op schone gedrukte pagina’s worden in de meeste talen bijna alle tekens goed gelezen. Foto’s, kleine tekst en sommige schriften zijn lastiger. We hebben elke taal getest en markeren de zwakkere als ‘minder nauwkeurig’.

Waarom worden sommige pagina’s overgeslagen?

Pagina’s die al echte tekst hebben, zoals pagina’s die in Word zijn gemaakt, hebben geen OCR nodig en blijven dus zoals ze zijn. Vink ‘Ook pagina’s lezen die al tekst hebben’ aan om ze toch te lezen.

Kan ik alleen de tekst krijgen?

Ja. Na het lezen verschijnt de tekst onder de downloadknop. Druk op ‘Tekst kopiëren’, of op ‘.txt downloaden’ om hem als gewoon tekstbestand op te slaan.