Cara melakukan OCR pada PDF hasil pindaian dan membuatnya dapat dicari
PDF hasil pindai adalah gambar, bukan teks: Anda tidak dapat mencari, memilih, atau menyalin isinya. Panduan ini menunjukkan dua cara lokal pdfmcp: meng-OCR ke PDF yang dapat dicari, atau meng-OCR ke teks biasa, semuanya di perangkat Anda, dengan pengaturan yang benar-benar penting.
Mengapa PDF hasil pindai tidak memiliki teks
Pemindai menyimpan foto setiap halaman. Kata-kata adalah piksel di dalam gambar, bukan karakter, jadi pencarian tidak menemukan apa pun, memilih teks tidak memilih apa pun, dan tidak ada yang dapat disalin. OCR (pengenalan karakter optik) memperbaikinya: ia membaca gambar setiap halaman dan menebak karakter apa yang dibentuk piksel.
pdfmcp menggunakan Tesseract untuk ini. Ada dua operasi OCR, dan masing-masing menjawab kebutuhan yang berbeda. ocr_pdf memberi Anda PDF dengan tampilan yang sama, tetapi dengan lapisan teks tak terlihat, sehingga dokumen itu sendiri menjadi dapat dicari dan dipilih. ocr_to_text memberi Anda hanya kata-katanya, sebagai teks biasa. Keduanya berjalan secara lokal.
Pilih caranya: PDF yang dapat dicari atau hanya teks
Pilih ocr_pdf ketika dokumen harus tetap menjadi dokumen: kontrak, laporan, atau arsip yang akan dibuka, dirujuk, dan dikutip orang lain. Ia berjalan secara lokal dengan paket pdfmcp, karena membuat PDF yang dapat dicari dan bersih membutuhkan mesin berat. Halaman yang sudah memiliki lapisan teks lewat tanpa perubahan dan dilaporkan sebagai dilewati, jadi menjalankannya pada dokumen campuran aman.
Pilih ocr_to_text ketika Anda hanya membutuhkan kata-katanya: untuk ditempel ke catatan, diberikan ke skrip, atau membaca isi sebuah pindaian. Di situs web, ia berjalan di perangkat Anda, di browser Anda, dan berkas Anda tidak pernah diunggah; perhatikan bahwa versi web di perangkat hanya mencakup bahasa Inggris. Operasi yang sama dengan paket lokal dapat mengonfigurasi bahasa.
Membuat PDF yang dapat dicari, langkah demi langkah
1) Pasang paket pdfmcp hanya sekali (lihat halaman MCP). 2) Jalankan operasi ocr_pdf pada berkas Anda, dengan paket lokal, agen yang terhubung melalui MCP lokal, atau kode Anda sendiri. 3) Buka hasilnya dan periksa: cari sebuah kata yang dapat Anda lihat di halaman. Jika pencarian menemukannya dan menyorotnya di tempat yang benar, lapisan teks sudah terpasang.
Jika Anda bekerja melalui agen AI, langkah yang sama menyusut menjadi satu permintaan: hubungkan server MCP lokal sekali (lihat panduan penyiapan), lalu minta agen meng-OCR berkas. Semuanya terjadi di mesin Anda.
Pengaturan yang penting: bahasa, DPI, dan halaman
Bahasa adalah pengaturan yang paling sering disalahpahami orang. Nilai default-nya adalah eng (Inggris). Untuk bahasa lain, atur parameter bahasa ke kode bahasa Tesseract, atau gabungkan kode: eng+deu untuk dokumen yang mencampur Inggris dan Jerman, misalnya. Data bahasa diunduh hanya sekali saat pertama kali digunakan dan tetap berada di mesin Anda. Memilih bahasa yang benar-benar digunakan dokumen jauh lebih penting daripada pengaturan lainnya.
DPI memiliki nilai default 300 dan dapat diatur antara 150 dan 600: itu adalah resolusi di mana setiap halaman dirender sebelum pengenalan. Biarkan di 300 untuk pindaian normal; nilai yang lebih tinggi dapat membantu untuk cetakan kecil, dengan biaya pekerjaan yang lebih lambat di mesin Anda. Terakhir, parameter halaman membatasi pekerjaan pada halaman yang Anda sebutkan (1-3,5,8, misalnya), yang merupakan cara tercepat untuk menguji pengaturan Anda pada beberapa halaman sebelum memproses dokumen panjang.
Batas, privasi, dan batas yang jujur
Dalam praktiknya, perangkat Anda yang membatasi Anda: memori dan kecepatan, dan, di browser, berkas hingga sekitar 100 MB dan 500 halaman. Dokumen yang sangat panjang memakan waktu selama mesin Anda memakan waktu; membagi pindaian besar menjadi beberapa bagian tetap merupakan ide yang baik.
Privasi mengikuti aturan pdfmcp, tanpa klaim yang lebih kuat daripada yang dibuat situs itu sendiri: semuanya berjalan secara lokal, berkas Anda tidak pernah diunggah, tidak pernah disimpan di server mana pun, dan tidak pernah digunakan untuk melatih AI. Dan batas yang jujur: OCR membaca teks cetak dari pindaian yang cukup tajam. Tulisan tangan, pindaian kontras sangat rendah, dan halaman yang rusak akan menghasilkan kesalahan: hasilnya adalah lapisan teks upaya terbaik, bukan transkrip bersertifikat, jadi periksa nama dan angka penting terhadap gambar halaman.
Pertanyaan yang sering diajukan
Apakah OCR gratis di pdfmcp?
Ya, gratis selamanya. Alat OCR ke teks di perangkat gratis dan tidak memerlukan akun apa pun. OCR penuh dengan paket lokal juga gratis, tanpa kunci dan tanpa kuota harian. Tidak ada tingkat berbayar.
Apakah OCR akan mengubah tampilan PDF saya?
ocr_pdf menambahkan lapisan teks tak terlihat; gambar halaman tetap seperti semula. Halaman yang sudah memiliki teks lewat tanpa perubahan dan dilaporkan sebagai dilewati.
Bahasa apa yang dapat dibaca OCR?
Dengan paket lokal, atur parameter bahasa ke kode bahasa Tesseract (default eng; kombinasi seperti eng+deu bekerja): data bahasa diunduh hanya sekali saat pertama kali digunakan. Alat web OCR ke teks di perangkat hanya mencakup bahasa Inggris.
Mengapa pindaian besar saya memakan waktu lama?
OCR adalah pekerjaan berat dan berjalan di mesin Anda, jadi pindaian yang sangat panjang memakan waktu selama komputer Anda memakan waktu. Bagi dokumen menjadi bagian yang lebih kecil dan terapkan OCR pada bagian-bagian itu, atau, jika berkas sudah memiliki lapisan teks, ekstrak teks itu dengan pdf_to_text sebagai gantinya.
Apakah OCR bekerja dengan tulisan tangan?
Ia dirancang untuk teks cetak. Tulisan tangan dan pindaian berkualitas buruk dapat menghasilkan kesalahan, jadi verifikasi detail kritis terhadap gambar halaman asli.
Pertama kali diterbitkan di https://pdfmcp.org/guides/how-to-ocr-a-scanned-pdf/