Hoe je OCR toepast op een gescande PDF en deze doorzoekbaar maakt

Een gescande PDF is een afbeelding, geen tekst: je kunt de inhoud niet doorzoeken, selecteren of kopiëren. Deze gids toont de twee lokale manieren van pdfmcp: OCR naar een doorzoekbare PDF, of OCR naar platte tekst, alles op je apparaat, met de instellingen die er echt toe doen.

Waarom een gescande PDF geen tekst heeft

Een scanner bewaart een foto van elke pagina. De woorden zijn pixels in een afbeelding, geen tekens, dus zoeken vindt niets, tekst selecteren selecteert niets en er is niets om te kopiëren. OCR (optische tekenherkenning) lost dat op: het leest de afbeelding van elke pagina en raadt welke tekens de pixels vormen.

pdfmcp gebruikt Tesseract daarvoor. Er zijn twee OCR-bewerkingen, en elke beantwoordt aan een andere behoefte. ocr_pdf geeft je een PDF met hetzelfde uiterlijk terug, maar met een onzichtbare tekstlaag, zodat het document zelf doorzoekbaar en selecteerbaar wordt. ocr_to_text geeft je alleen de woorden terug, als platte tekst. Beide draaien lokaal.

Kies de manier: doorzoekbare PDF of alleen tekst

Kies ocr_pdf wanneer het document een document moet blijven: een contract, een rapport of een archief dat anderen zullen openen, raadplegen en citeren. Het draait lokaal met het pdfmcp-pakket, omdat het maken van een nette doorzoekbare PDF zware machinerie vraagt. Pagina's die al een tekstlaag hebben, gaan ongewijzigd door en worden als overgeslagen gemeld, dus het uitvoeren op een gemengd document is veilig.

Kies ocr_to_text wanneer je alleen de woorden nodig hebt: om in een notitie te plakken, aan een script door te geven of om te lezen wat een scan zegt. Op de website draait het op je apparaat, in je browser, en je bestand wordt nooit geüpload; merk op dat de webversie op het apparaat alleen Engels bevat. Dezelfde bewerking met het lokale pakket kan de taal configureren.

Een doorzoekbare PDF maken, stap voor stap

1) Installeer het pdfmcp-pakket eenmalig (zie de MCP-pagina). 2) Voer de bewerking ocr_pdf uit op je bestand, met het lokale pakket, een agent verbonden via lokaal MCP of je eigen code. 3) Open het resultaat en controleer het: zoek een woord dat je op de pagina kunt zien. Als zoeken het vindt en op de juiste plaats markeert, zit de tekstlaag op zijn plaats.

Als je via een AI-agent werkt, krimpen dezelfde stappen tot één verzoek: verbind de lokale MCP-server eenmalig (zie de instelgidsen) en vraag de agent dan om OCR op het bestand toe te passen. Alles gebeurt op je machine.

De instellingen die ertoe doen: taal, DPI en pagina's

Taal is de instelling waar mensen het vaakst de fout in gaan. De standaard is eng (Engels). Voor andere talen stel je de taalparameter in op een Tesseract-taalcode, of combineer je codes: eng+deu voor een document dat Engels en Duits mengt, bijvoorbeeld. De taalgegevens worden bij het eerste gebruik eenmalig gedownload en blijven op je machine. Kiezen in welke taal het document echt is geschreven, telt veel meer dan elke andere instelling.

DPI is standaard 300 en kan tussen 150 en 600 worden ingesteld: dat is de resolutie waarop elke pagina wordt gerenderd vóór de herkenning. Laat het op 300 voor normale scans; een hogere waarde kan helpen bij kleine letters, ten koste van langzamer werk op je machine. Ten slotte beperkt de paginaparameter het werk tot de pagina's die je aangeeft (1-3,5,8 bijvoorbeeld), wat de snelste manier is om je instellingen op een paar pagina's te testen voordat je een lang document verwerkt.

Limieten, privacy en de eerlijke grenzen

In de praktijk beperkt je apparaat je: geheugen en snelheid, en in de browser bestanden tot ongeveer 100 MB en 500 pagina's. Zeer lange documenten duren zo lang als je machine duurt; een enorme scan in delen splitsen blijft een goed idee.

Privacy volgt de pdfmcp-regels, zonder sterkere bewering dan de site zelf maakt: alles draait lokaal, je bestand wordt nooit geüpload, nooit op een server opgeslagen en nooit gebruikt om AI te trainen. En de eerlijke grens: OCR leest gedrukte tekst uit een redelijk scherpe scan. Handschrift, scans met zeer laag contrast en beschadigde pagina's zullen fouten produceren: het resultaat is een tekstlaag naar best vermogen, geen gecertificeerde transcriptie, dus controleer belangrijke namen en nummers aan het paginabeeld.

Probeer het gratis in je browser

Veelgestelde vragen

Is OCR gratis in pdfmcp?

Ja, voor altijd gratis. De tool OCR naar tekst op het apparaat is gratis en vereist geen account. Volledige OCR met het lokale pakket is ook gratis, zonder sleutel en zonder dagquotum. Er is geen betaald niveau.

Verandert OCR het uiterlijk van mijn PDF?

ocr_pdf voegt een onzichtbare tekstlaag toe; de paginabeelden blijven zoals ze waren. Pagina's die al tekst hebben, gaan ongewijzigd door en worden als overgeslagen gemeld.

Welke talen kan OCR lezen?

Met het lokale pakket stel je de taalparameter in op een Tesseract-taalcode (standaard eng; combinaties zoals eng+deu werken): de taalgegevens worden bij het eerste gebruik eenmalig gedownload. De webtool OCR naar tekst op het apparaat bevat alleen Engels.

Waarom duurt mijn grote scan zo lang?

OCR is zwaar werk en draait op je machine, dus een zeer lange scan duurt zo lang als je computer duurt. Splits het document in kleinere delen en pas OCR toe op die delen, of extraheer, als het bestand al een tekstlaag heeft, die tekst in plaats daarvan met pdf_to_text.

Werkt OCR met handschrift?

Het is bedoeld voor gedrukte tekst. Handschrift en scans van slechte kwaliteit kunnen fouten produceren, dus controleer kritieke details aan het oorspronkelijke paginabeeld.

Oorspronkelijk gepubliceerd op https://pdfmcp.org/guides/how-to-ocr-a-scanned-pdf/