Làm cho PDF quét có thể tìm kiếm

Công cụ OCR trích xuất văn bản thuần túy vào tệp .txt, bỏ hoàn toàn bố cục và hình ảnh gốc. PDF OCR giữ nguyên các ảnh trang PDF gốc y hệt hình thức ban đầu và thêm một lớp văn bản vô hình, có thể tìm kiếm bên dưới. Dùng OCR khi bạn chỉ cần lấy chữ; dùng PDF OCR khi bạn muốn giữ tài liệu ở dạng PDF nhưng làm cho nó có thể tìm kiếm và chọn được.

Không. Mỗi trang được render từ PDF nguồn của bạn và nhúng lại dưới dạng ảnh, giống hệt từng điểm ảnh với bản quét gốc (trừ hao mã hóa lại JPEG). Các từ nhận dạng được vẽ chồng lên với độ trong suốt bằng 0, nên không có gì mới hiển thị ra; chỉ khi tìm kiếm hoặc chọn văn bản bạn mới nhận ra lớp được thêm vào.

Không. Đầu ra giữ trang dưới dạng một ảnh phẳng duy nhất; lớp văn bản vô hình bám theo vị trí các từ đã nhận dạng nhưng không giữ lại cấu trúc bảng, thứ tự đọc nhiều cột ngoài những gì tesseract.js tự suy luận, hay phông chữ gốc. Đây là một lớp giúp tìm kiếm được, không phải một bước chuyển đổi sang văn bản có thể chỉnh sửa.

Không. Sau khi engine tesseract.js và gói ngôn ngữ được tải xuống từ trang này (chỉ một lần, dung lượng vài megabyte khi dùng lần đầu), mọi lần render trang và mọi lượt nhận dạng đều diễn ra hoàn toàn trong tab trình duyệt của bạn. Hợp đồng đã quét, hồ sơ y tế hay các tài liệu nhạy cảm khác không bao giờ đến máy chủ.

Mỗi trang được render thành ảnh và OCR được chạy riêng trên ảnh đó, tất cả bên trong tab trình duyệt của bạn, nên thời gian xử lý tỉ lệ với số trang. Thanh tiến trình phản ánh tiến độ thực theo từng trang, và tệp bị giới hạn ở 80 MB để giữ toàn bộ quy trình trong ngân sách bộ nhớ của một tab trình duyệt.

Chạy OCR trên một PDF đã có sẵn lớp văn bản thật là không cần thiết: mở nó trong trình đọc và nhấn Ctrl+F đã hoạt động rồi. Công cụ này dành cho các PDF chỉ gồm ảnh trang không có văn bản bên dưới, kết quả phổ biến từ máy quét phẳng hoặc thao tác "in ra PDF" từ một tài liệu đã chụp ảnh.