OCR ל-PDF: חילוץ טקסט מ-PDF סרוק

פועל על המכשיר שלכם · הקובץ לא עוזב את המכשיר.

PDF סרוק הוא ערימה של תמונות – לכן סימון או חיפוש טקסט בו לא עושים כלום, ולכן המרה שלו לוורד חוזרת ריקה. הכלי קורא את האותיות מתוך התמונה של כל עמוד ומחזיר לכם טקסט אמיתי.

כל עמוד מצויר קודם ברזולוציה גבוהה ואז מזוהה, וההתקדמות מוצגת עמוד אחר עמוד. מסמכים ארוכים לוקחים זמן: הזיהוי באמת עובד במכשיר שלכם, ולא מחכה בתור בשרת.

עברית, אנגלית, ערבית, ערבית ואנגלית יחד ועוד שפות נתמכות, וטקסט בעברית או בערבית שומר על הכיוון מימין לשמאל גם בתצוגה המקדימה וגם בייצוא לוורד.

איך OCR ל-PDF: חילוץ טקסט מ-PDF סרוק

  1. הוסיפו PDF סרוק – כזה שסימון טקסט בו לא עושה כלום.
  2. בחרו את השפה שבה הטקסט כתוב: למסמך בעברית «עברית», ולערבית ואנגלית באותו עמוד «ערבית + אנגלית».
  3. לחצו «חילוץ טקסט». מודל הזיהוי יורד פעם אחת בהרצה הראשונה, ואחר כך נשמר בדפדפן.
  4. העתיקו את הטקסט, או הורידו אותו כ-TXT או כוורד.

פורמטים נתמכים ומגבלות

קלט
PDF סרוקים וצילומים של עמודים
פלט
טקסט – העתקה, TXT או וורד
שפות
15: עברית, אנגלית, ערבית, ערבית + אנגלית במעורב, גרמנית, צרפתית, ספרדית, רוסית, פורטוגזית, סינית (מפושטת ומסורתית), הינדי, טורקית, פרסית, אורדו, אינדונזית, בנגלית
הרצה ראשונה
הורדה חד-פעמית של המודל, ואחר כך הוא שמור בדפדפן גם בלי אינטרנט
איפה זה רץ
בדפדפן – בלי העלאה

לא מיועד ל: כתב יד – הזיהוי אמין בטקסט מודפס, והרבה פחות בפתקים בכתב יד.

איך כל עמוד מוכן לקריאה

כל עמוד מצויר קודם כתמונה ב-216 נקודות לאינץ׳, כמו שקורא PDF מציג אותו, כך שעמוד שנושא הגדרת סיבוב נקרא זקוף. עמוד שהסריקה עצמה שוכבת בו על הצד נקרא כמו שהוא ויוצא כג׳יבריש; סובבו עמודים כאלה קודם בכלי /rotate-pdf. עמודים גדולים מאוד, בסביבות A2 ומעלה, מצוירים ברזולוציה נמוכה יותר כדי להישאר בגבולות מה שדפדפן יכול להחזיק כתמונה אחת.

כל עמוד נקרא מהתמונה שלו, כולל עמודים שכבר מכילים טקסט אמיתי. במסמך שחלקו מוקלד וחלקו סרוק, העמודים המוקלדים יוצאים מדויקים דרך /pdf-to-text, ואילו זיהוי עלול לטעות בתו.

מסמכים ארוכים

כל עמוד מצויר, נקרא ומשוחרר לפני שהבא מצויר, כך שסריקה ארוכה צריכה בערך זיכרון של עמוד אחד. הפס מתמלא מעט בזמן שמנוע הזיהוי נטען, ואז עמוד אחר עמוד, עם שם העמוד שנקרא כרגע מתחתיו.

«ביטול» עוצר בעמוד שנקרא ושומר את הטקסט של העמודים שכבר הסתיימו: שורה אומרת כמה מתוך כמה נקראו, וההעתקה והורדות ה-TXT והוורד מכילות את העמודים האלה. אפשר להוסיף יחד כמה קובצי PDF, וגם צילומים של עמודים, והם נקראים זה אחר זה בעבודה אחת.

מה מקבלים בחזרה

התוצאה היא טקסט, לא PDF חדש: הקובץ הסרוק נשאר אוסף של תמונות. כשנקרא יותר מעמוד אחד, הטקסט של כל עמוד מתחיל בשורה כמו ‎--- scan.pdf — ‏עמוד 3‎ ---‎, שנכתבת בשפת הדף שבו אתם משתמשים, כדי שתוכלו למצוא מאיפה הגיע קטע. קובץ הוורד נקרא על שם ה-PDF, וכל עמוד יושב תחת כותרת משלו, ברצף ולא בעמודים נפרדים.

רשימת «שפת הטקסט» קובעת איזה מודל קורא את המסמך, אז ודאו שהיא מכוונת לשפה שבה המסמך כתוב – «עברית» למסמך בעברית – לפני שלוחצים «חילוץ טקסט».

שאלות נפוצות

האם הקובץ שלי נשלח לשרת?
לא. ההמרה מתבצעת כולה בדפדפן, בכוח המכשיר שלכם, והקובץ לא יוצא מהמחשב או מהטלפון. אחרי שהשתמשתם בכלי פעם אחת, הוא ממשיך לעבוד גם בלי אינטרנט (כלי הווידאו, זיהוי הטקסט והסרת הרקע מורידים את המנוע שלהם מהאתר הזה בפעם הראשונה).
איך יודעים אם ה-PDF צריך OCR?
נסו לסמן בו טקסט. אם שום דבר לא מסומן, זו סריקה והיא צריכה OCR; אם הטקסט מסומן כרגיל, כלי המרת PDF לוורד הרגיל יעשה עבודה טובה יותר.
העימוד נשמר?
מקבלים את הטקסט לפי סדר הקריאה, לא שחזור של עיצוב העמוד. עמודות וטבלאות מגיעות כטקסט, לא כמבנה מעוצב.

כלים קשורים

עוד בטקסט ומסמכים

עמוד זה בשפות אחרות: English · العربية · Deutsch · Français · Español · Русский · Português · 中文 · हिन्दी · Türkçe · فارسی · اردو · Bahasa Indonesia · বাংলা