Slik OCR-er du en skannet PDF og gjør den søkbar

En skannet PDF er et bilde, ikke tekst: du kan ikke søke, markere eller kopiere innholdet. Denne veiledningen viser pdfmcps to lokale måter: OCR til en søkbar PDF, eller OCR til ren tekst, alt på enheten din, med innstillingene som faktisk betyr noe.

Hvorfor en skannet PDF ikke har noen tekst

En skanner lagrer et fotografi av hver side. Ordene er piksler inne i et bilde, ikke tegn, så søk finner ingenting, tekstmarkering markerer ingenting, og det finnes ingenting å kopiere. OCR (optisk tegngjenkjenning) fikser det: den leser bildet av hver side og gjetter hvilke tegn pikslene danner.

pdfmcp bruker Tesseract til dette. Det finnes to OCR-operasjoner, og hver besvarer et annet behov. ocr_pdf gir deg tilbake en PDF som ser lik ut, men med et usynlig tekstlag, så selve dokumentet blir søkbart og markerbart. ocr_to_text gir deg tilbake kun ordene, som ren tekst. Begge kjører lokalt.

Velg: søkbar PDF eller kun tekst

Velg ocr_pdf når dokumentet må forbli et dokument: en kontrakt, en rapport eller et arkiv som andre skal åpne, henvise til og sitere. Den kjører lokalt med pdfmcp-pakken, fordi å lage en ren søkbar PDF trenger tung maskineri. Sider som allerede har et tekstlag går uendret gjennom og rapporteres som hoppet over, så det er trygt å kjøre den på et blandet dokument.

Velg ocr_to_text når du kun trenger ordene: for å lime inn i et notat, mate et skript, eller lese hva en skanning sier. På nettet kjører den på enheten din, i nettleseren din, og filen din lastes aldri opp; merk at webversjonen på enheten kun inkluderer engelsk. Den samme operasjonen med den lokale pakken kan konfigurere språket.

Lag en søkbar PDF, trinn for trinn

1) Installer pdfmcp-pakken én gang (se MCP-siden). 2) Kjør ocr_pdf-operasjonen på filen din, med den lokale pakken, en agent koblet via lokal MCP, eller din egen kode. 3) Åpne resultatet og kontroller det: søk etter et ord du kan se på siden. Hvis søket finner det og fremhever det på riktig sted, har tekstlaget landet riktig.

Hvis du arbeider gjennom en AI-agent, krymper de samme trinnene til én forespørsel: koble den lokale MCP-serveren til én gang (se oppsettsveiledningene), og be deretter agenten om å OCR-e filen. Alt skjer på maskinen din.

Innstillingene som betyr noe: språk, DPI og sider

Språk er innstillingen folk tar mest feil av. Standard er eng (engelsk). For andre språk, sett språkparameteren til en Tesseract-språkkode, eller kombiner koder: eng+deu for et dokument som blander engelsk og tysk, for eksempel. Språkdata lastes ned én gang ved første bruk og blir værende på maskinen din. Å velge språket dokumentet faktisk er skrevet på betyr langt mer enn noen annen innstilling.

DPI har standard 300 og kan settes mellom 150 og 600: det er oppløsningen hver side gjengis med før gjenkjenning. La den stå på 300 for vanlige skanninger; en høyere verdi kan hjelpe med liten skrift, til prisen av langsommere arbeid på maskinen din. Til slutt begrenser sideparameteren arbeidet til sidene du spesifiserer (1-3,5,8, for eksempel), som er den raskeste måten å teste innstillingene dine på noen få sider før du behandler et langt dokument.

Grenser, personvern og ærlige grenser

I praksis begrenser enheten din deg: minne og hastighet, og, i nettleseren, filer opptil omtrent 100 MB og 500 sider. Svært lange dokumenter tar så lang tid som maskinen din tar; å dele en enorm skanning i deler er fortsatt en god idé.

Personvern følger pdfmcps regler, uten noe sterkere krav enn det nettstedet selv stiller: alt kjører lokalt, filene dine lastes aldri opp, lagres aldri på noen server og brukes aldri til å trene AI. Og den ærlige grensen: OCR leser trykt tekst fra en skarp nok skanning. Håndskrift, skanninger med svært lav kontrast og ødelagte sider produserer feil: resultatet er et best-effort tekstlag, ikke en sertifisert transkripsjon, så kontroller viktige navn og tall mot sidebildet.

Prøv det gratis i nettleseren din

Ofte stilte spørsmål

Er OCR gratis i pdfmcp?

Ja, gratis for alltid. OCR-til-tekst-verktøyet på enheten er gratis og krever ingen konto. Full OCR med den lokale pakken er også gratis, uten nøkkel og uten daglig kvote. Det finnes ingen betalt plan.

Endrer OCR hvordan PDF-en min ser ut?

ocr_pdf legger til et usynlig tekstlag; sidebildene forblir nøyaktig som de var. Sider som allerede har tekst går uendret gjennom og rapporteres som hoppet over.

Hvilke språk kan OCR lese?

Med den lokale pakken, sett språkparameteren til en Tesseract-språkkode (standard eng; kombinasjoner som eng+deu fungerer): språkdata lastes ned én gang ved første bruk. Webverktøyet OCR-til-tekst på enheten inkluderer kun engelsk.

Hvorfor tar den store skanningen min så lang tid?

OCR er tungt arbeid og det kjører på maskinen din, så en svært lang skanning tar så lang tid som datamaskinen din tar. Del dokumentet i mindre deler og bruk OCR på disse delene, eller, hvis filen allerede har et tekstlag, ekstraher den teksten med pdf_to_text i stedet.

Fungerer OCR med håndskrift?

Det er designet for trykt tekst. Håndskrift og skanninger av dårlig kvalitet kan produsere feil, så verifiser viktige detaljer mot det originale sidebildet.

Opprinnelig publisert på https://pdfmcp.org/guides/how-to-ocr-a-scanned-pdf/