Jak wykonać OCR zeskanowanego pliku PDF i uczynić go przeszukiwalnym

Zeskanowany PDF to obraz, a nie tekst: nie możesz przeszukiwać, zaznaczać ani kopiować jego treści. Ten przewodnik pokazuje dwie lokalne drogi pdfmcp: OCR do przeszukiwalnego PDF-a lub OCR do zwykłego tekstu, wszystko na Twoim urządzeniu, z ustawieniami, które naprawdę mają znaczenie.

Dlaczego zeskanowany PDF nie ma tekstu

Skaner zapisuje zdjęcie każdej strony. Słowa są pikselami w obrazie, a nie znakami, więc wyszukiwanie nic nie znajduje, zaznaczanie tekstu nic nie zaznacza i nie ma nic do skopiowania. OCR (optyczne rozpoznawanie znaków) to naprawia: czyta obraz każdej strony i odgaduje, jakie znaki tworzą piksele.

pdfmcp używa do tego Tesseracta. Są dwie operacje OCR i każda odpowiada na inną potrzebę. ocr_pdf zwraca Ci PDF o tym samym wyglądzie, ale z niewidoczną warstwą tekstu, dzięki czemu sam dokument staje się przeszukiwalny i zaznaczalny. ocr_to_text zwraca Ci tylko słowa, jako zwykły tekst. Obie działają lokalnie.

Wybierz drogę: przeszukiwalny PDF czy tylko tekst

Wybierz ocr_pdf, gdy dokument musi pozostać dokumentem: umową, raportem lub archiwum, które inni będą otwierać, przeglądać i cytować. Działa lokalnie z pakietem pdfmcp, ponieważ tworzenie czystego przeszukiwalnego PDF-a wymaga ciężkiej maszynerii. Strony, które już mają warstwę tekstu, przechodzą niezmienione i są zgłaszane jako pominięte, więc uruchomienie go na dokumencie mieszanym jest bezpieczne.

Wybierz ocr_to_text, gdy potrzebujesz tylko słów: do wklejenia w notatkę, przekazania skryptowi lub przeczytania, co mówi skan. Na stronie działa na Twoim urządzeniu, w Twojej przeglądarce, a Twój plik nigdy nie jest przesyłany; pamiętaj, że wersja internetowa na urządzeniu zawiera tylko angielski. Ta sama operacja z lokalnym pakietem może skonfigurować język.

Tworzenie przeszukiwalnego PDF-a, krok po kroku

1) Zainstaluj pakiet pdfmcp tylko raz (zobacz stronę MCP). 2) Uruchom operację ocr_pdf na swoim pliku, lokalnym pakietem, agentem podłączonym przez lokalne MCP lub własnym kodem. 3) Otwórz wynik i sprawdź go: wyszukaj słowo, które widzisz na stronie. Jeśli wyszukiwanie je znajdzie i podświetli we właściwym miejscu, warstwa tekstu jest na miejscu.

Jeśli pracujesz przez agenta AI, te same kroki kurczą się do jednej prośby: podłącz lokalny serwer MCP raz (zobacz przewodniki konfiguracji), a potem poproś agenta o OCR pliku. Wszystko dzieje się na Twojej maszynie.

Ustawienia, które mają znaczenie: język, DPI i strony

Język to ustawienie, w którym ludzie najczęściej się mylą. Domyślną wartością jest eng (angielski). Dla innych języków ustaw parametr języka na kod języka Tesseracta lub łącz kody: eng+deu dla dokumentu mieszającego angielski i niemiecki, na przykład. Dane językowe są pobierane tylko raz przy pierwszym użyciu i zostają na Twojej maszynie. Wybranie języka, w którym dokument jest naprawdę napisany, ma o wiele większe znaczenie niż jakiekolwiek inne ustawienie.

DPI ma wartość domyślną 300 i można je ustawić między 150 a 600: to rozdzielczość, w której każda strona jest renderowana przed rozpoznaniem. Zostaw 300 dla normalnych skanów; wyższa wartość może pomóc przy drobnym druku, kosztem wolniejszej pracy na Twojej maszynie. Wreszcie parametr stron ogranicza pracę do stron, które wskażesz (na przykład 1-3,5,8), co jest najszybszym sposobem przetestowania ustawień na kilku stronach przed przetworzeniem długiego dokumentu.

Limity, prywatność i uczciwe granice

W praktyce ogranicza Cię Twoje urządzenie: pamięć i prędkość, a w przeglądarce pliki do około 100 MB i 500 stron. Bardzo długie dokumenty trwają tyle, ile trwa Twoja maszyna; podzielenie ogromnego skanu na części pozostaje dobrym pomysłem.

Prywatność postępuje zgodnie z zasadami pdfmcp, bez żadnego mocniejszego twierdzenia niż to, które stawia sama strona: wszystko działa lokalnie, Twój plik nigdy nie jest przesyłany, nigdy nie jest przechowywany na żadnym serwerze i nigdy nie służy do trenowania AI. A uczciwa granica: OCR czyta drukowany tekst z w miarę ostrego skanu. Pismo odręczne, skany o bardzo niskim kontraście i uszkodzone strony dadzą błędy: wynik jest warstwą tekstu dołożonych starań, a nie uwierzytelnionym odpisem, więc sprawdzaj ważne nazwy i liczby na obrazie strony.

Wypróbuj za darmo w przeglądarce

Najczęstsze pytania

Czy OCR w pdfmcp jest darmowy?

Tak, za darmo na zawsze. Narzędzie OCR do tekstu na urządzeniu jest darmowe i nie wymaga żadnego konta. Pełny OCR lokalnym pakietem jest także darmowy, bez klucza i bez dziennego limitu. Nie ma żadnego płatnego poziomu.

Czy OCR zmieni wygląd mojego PDF-a?

ocr_pdf dodaje niewidoczną warstwę tekstu; obrazy stron zostają takie, jakie były. Strony, które już mają tekst, przechodzą niezmienione i są zgłaszane jako pominięte.

Jakie języki może czytać OCR?

Z lokalnym pakietem ustaw parametr języka na kod języka Tesseracta (domyślnie eng; kombinacje jak eng+deu działają): dane językowe są pobierane tylko raz przy pierwszym użyciu. Narzędzie internetowe OCR do tekstu na urządzeniu zawiera tylko angielski.

Dlaczego mój duży skan tyle trwa?

OCR to ciężka praca i działa na Twojej maszynie, więc bardzo długi skan trwa tyle, ile trwa Twój komputer. Podziel dokument na mniejsze części i zastosuj OCR do tych części lub, jeśli plik ma już warstwę tekstu, wyodrębnij ten tekst za pomocą pdf_to_text.

Czy OCR działa z pismem odręcznym?

Jest przeznaczony do tekstu drukowanego. Pismo odręczne i skany słabej jakości mogą dawać błędy, więc weryfikuj krytyczne szczegóły na oryginalnym obrazie strony.

Pierwotnie opublikowano na https://pdfmcp.org/guides/how-to-ocr-a-scanned-pdf/