Розпізнавання тексту в PDF

Відсканований PDF це, по суті, фотографія. Оку він здається текстом, а комп'ютер бачить лише пікселі: нічого не виділити, не скопіювати, не знайти. OCR (оптичне розпізнавання символів) розв'язує цю проблему: вона знаходить літери на зображенні й перетворює їх на справжній текст, у якому можна шукати. Саме це робить PDF-Texterkennung, сторінка за сторінкою й з попереднім переглядом, щоб було видно, що розпізнано.

Головний фокус на німецьких листах від відомств і фінансових документах. Steuerbescheide, листи від відомств, договори, свідоцтва, рахунки: усе це часто приходить у вигляді скану, і найбільше дратує тоді, коли цифри й строки з нього треба використати далі. Готові шаблони підбирають мову й роздільність під кожен тип документа, щоб не доводилося гаяти час на налаштування.

Розпізнавання працює німецькою, англійською або в змішаному режимі. Німецькі тексти з умлаутами й літерою ß особливо виграють, коли обрано правильну мову. Для документів, де змішано обидві мови, є комбінований режим: він використовує обидва словники одночасно.

Роздільність визначає точність і швидкість. 150 DPI це швидко, і цього досить для чистих, чітко надрукованих сторінок. 300 DPI це стандарт для більшості документів. 600 DPI видобуває максимум із дрібного шрифту, договорів або трохи розмитих сканів, але триває довше. До кожної сторінки ти отримуєш рівень впевненості, який показує, наскільки певним було розпізнавання.

Результат можна переглянути посторінково або як суцільний текст, пошукати в ньому просто в браузері й забрати розпізнаний текст: він готовий до подальшого використання, наприклад, щоб перенести цифру в калькулятор або строк у Fristenwächter. Кількість слів і символів на кожній сторінці завжди перед очима.

Саме розпізнавання символів потребує обчислювальної потужності, тому працює на сервері, але лише на цьому кроці. Твої документи не зберігаються постійно. Без підписки заради простого скану, без обхідного шляху через іноземну хмарну службу з незрозумілими умовами захисту даних.