Resim ve PDF’lerden OCR ile metin çıkarma

Temiz basılı metin neredeyse kusursuz çıkar; telefon fotoğrafları ve solmuş taramalar daha zordur. Motor yan çekilmiş fotoğrafları dik hale getirir ve her satırı kendi eğik çerçevesinden okur; güveni düşük sözcükler vurgulanır, böylece dışa aktarmadan önce düzeltebilirsiniz.

Sinir ağı motoru İngilizceyi, Rusçayı ve Latin ve Kiril yazılı diğer dilleri, ayrıca Çince, Japonca, Korece, Arapça, Yunanca, Hintçe ve Tayca'yı okur; İbranice, Gürcüce, Vietnamca, Bengalce ve diğerleri dahil yüz kadar dil daha Tesseract'a gider. Diller listede yazıya göre gruplanır; modeller ilk kullanımda yüklenir ve tarayıcı önbelleğinde kalır.

Evet. Çok sayfalı PDF’ler pdf.js ile sayfa sayfa işlenir, ardından OCR’dan geçirilir. Sonucu görünmez metin katmanlı aranabilir PDF olarak da dışa aktarabilirsiniz; böylece Ctrl+F çalışır ve ekran okuyucular metni okuyabilir.

Normal mod basılı metne göre ayarlanmıştır: harfleri ayrı, düzgün el yazısı çoğu zaman okunabilir, bitişik el yazısı okunamaz. El yazısı için “Daha hassas tanı” seçeneği vardır: sayfa bir tanıma sunucusuna gönderilir ve el yazısı için geliştirilmiş bir model tarafından okunur. Okul defteri sayfalarında sözcüklerin 10'da 9'una yakınını doğru okudu; normal mod ise 10'da 1'inden azını.

OCR'dan sonra tanınan sözcükleri dikey konumlarına göre satırlar halinde gruplarız ve satırları yatay boşluklara göre sütunlara böleriz. En az üç satır aynı sütun sayısına sahip olduğunda bunu tablo sayar ve Excel'e satırlar ve sütunlar olarak aktarırız; aksi halde Excel dosyasında tek bir metin sütunu bulunur.

Kuyruk en fazla 50 dosya alır. Günde kaç dosyanın tanındığı ve tek geçişte kaç PDF sayfasının okunduğu, Metni çıkar düğmesinin üstündeki kutuda gösterilir. Dosya başına boyut sınırı cihazınıza göre değişir (telefonlarda yaklaşık 80 MB'tan masaüstü bilgisayarlarda 1 GB'a kadar); PDF'ler sayfa sayfa işlenir ve büyük bir belge için sayfa aralığı seçici sunulur.