Taranmış bir PDF'ye OCR nasıl uygulanır ve aranabilir hâle getirilir

Taranmış bir PDF metin değil, bir görüntüdür: içeriğini arayamaz, seçemez veya kopyalayamazsınız. Bu kılavuz, pdfmcp'nin iki yerel yolunu gösterir: aranabilir bir PDF'ye OCR veya düz metne OCR, hepsi cihazınızda, gerçekten önemli ayarlarla.

Taranmış bir PDF'de neden metin yok

Bir tarayıcı her sayfanın fotoğrafını kaydeder. Sözcükler bir görüntüdeki piksellerdir, karakterler değildir, bu yüzden arama hiçbir şey bulamaz, metin seçmek hiçbir şey seçemez ve kopyalanacak hiçbir şey yoktur. OCR (optik karakter tanıma) bunu düzeltir: her sayfanın görüntüsünü okur ve piksellerin hangi karakterleri oluşturduğunu tahmin eder.

pdfmcp bunun için Tesseract kullanır. İki OCR işlemi vardır ve her biri farklı bir ihtiyaca cevap verir. ocr_pdf size aynı görünüme sahip ama görünmez bir metin katmanı olan bir PDF verir, böylece belgenin kendisi aranabilir ve seçilebilir hale gelir. ocr_to_text size yalnızca sözcükleri düz metin olarak verir. İkisi de yerel olarak çalışır.

Yolu seçin: aranabilir PDF mi, yalnızca metin mi

Belgenin belge olarak kalması gerektiğinde ocr_pdf'yi seçin: başkalarının açacağı, danışacağı ve alıntılayacağı bir sözleşme, rapor veya arşiv. Temiz, aranabilir bir PDF oluşturmak ağır makineler gerektirdiği için pdfmcp paketiyle yerel olarak çalışır. Zaten bir metin katmanı olan sayfalar değişmeden geçer ve atlandı olarak bildirilir, bu yüzden karışık bir belgede çalıştırmak güvenlidir.

Yalnızca sözcüklere ihtiyacınız olduğunda ocr_to_text'i seçin: bir nota yapıştırmak, bir betiğe vermek veya bir taramanın ne dediğini okumak için. Web sitesinde cihazınızda, tarayıcınızda çalışır ve dosyanız asla yüklenmez; cihaz üzerindeki web sürümünün yalnızca İngilizce içerdiğini unutmayın. Yerel paketle aynı işlem dili yapılandırabilir.

Aranabilir bir PDF oluşturmak, adım adım

1) pdfmcp paketini yalnızca bir kez kurun (MCP sayfasına bakın). 2) Yerel paketle, yerel MCP ile bağlı bir ajanla veya kendi kodunuzla dosyanızda ocr_pdf işlemini çalıştırın. 3) Sonucu açın ve denetleyin: sayfada görebileceğiniz bir sözcüğü arayın. Arama onu bulur ve doğru yerde vurgularsa, metin katmanı yerinde demektir.

Bir AI ajanı aracılığıyla çalışıyorsanız, aynı adımlar tek bir isteğe iner: yerel MCP sunucusunu bir kez bağlayın (kurulum kılavuzlarına bakın), sonra ajandan dosyaya OCR yapmasını isteyin. Her şey makinenizde olur.

Önemli ayarlar: dil, DPI ve sayfalar

Dil, insanların en çok yanıldığı ayardır. Varsayılan eng'dir (İngilizce). Diğer diller için dil parametresini bir Tesseract dil koduna ayarlayın veya kodları birleştirin: örneğin İngilizce ve Almanca karıştıran bir belge için eng+deu. Dil verileri ilk kullanımda yalnızca bir kez indirilir ve makinenizde kalır. Belgenin gerçekten yazıldığı dili seçmek, diğer tüm ayarlardan çok daha önemlidir.

DPI varsayılan olarak 300'dür ve 150 ile 600 arasında ayarlanabilir: her sayfanın tanımadan önce işlendiği çözünürlüktür. Normal taramalar için 300'de bırakın; daha yüksek bir değer, makinenizde daha yavaş iş pahasına küçük yazılara yardımcı olabilir. Son olarak, sayfalar parametresi işi belirttiğiniz sayfalarla (örneğin 1-3,5,8) sınırlar; bu, uzun bir belgeyi işlemeden önce ayarlarınızı birkaç sayfada test etmenin en hızlı yoludur.

Sınırlar, gizlilik ve dürüst sınırlar

Pratikte sizi cihazınız sınırlar: bellek ve hız, tarayıcıda ise yaklaşık 100 MB ve 500 sayfaya kadar dosyalar. Çok uzun belgeler makinenizin sürdüğü kadar sürer; devasa bir taramayı parçalara bölmek hâlâ iyi bir fikirdir.

Gizlilik, sitenin kendisinin yaptığından daha güçlü bir iddia olmaksızın pdfmcp kurallarını izler: her şey yerel olarak çalışır, dosyanız asla yüklenmez, asla bir sunucuda saklanmaz ve AI eğitmek için asla kullanılmaz. Ve dürüst sınır: OCR, makul ölçüde net bir taramadan basılı metni okur. El yazısı, çok düşük kontrastlı taramalar ve hasarlı sayfalar hatalar üretecektir: sonuç, onaylı bir transkript değil, en iyi çaba metin katmanıdır, bu yüzden önemli adları ve sayıları sayfa görüntüsüyle denetleyin.

Tarayıcınızda ücretsiz deneyin

Sık sorulan sorular

pdfmcp'de OCR ücretsiz mi?

Evet, sonsuza dek ücretsiz. Cihaz üzerinde metne OCR aracı ücretsizdir ve hesap gerektirmez. Yerel paketle tam OCR da ücretsizdir; anahtar yok, günlük kota yok. Ücretli katman yok.

OCR, PDF'imin görünümünü değiştirir mi?

ocr_pdf görünmez bir metin katmanı ekler; sayfa görüntüleri oldukları gibi kalır. Zaten metni olan sayfalar değişmeden geçer ve atlandı olarak bildirilir.

OCR hangi dilleri okuyabilir?

Yerel paketle, dil parametresini bir Tesseract dil koduna ayarlayın (varsayılan eng; eng+deu gibi birleşimler çalışır): dil verileri ilk kullanımda yalnızca bir kez indirilir. Cihaz üzerindeki web OCR metin aracı yalnızca İngilizce içerir.

Büyük taramam neden bu kadar uzun sürüyor?

OCR ağır bir iştir ve makinenizde çalışır, bu yüzden çok uzun bir tarama bilgisayarınızın sürdüğü kadar sürer. Belgeyi daha küçük parçalara bölün ve bu parçalara OCR uygulayın veya dosyanın zaten bir metin katmanı varsa, bunun yerine pdf_to_text ile o metni çıkarın.

OCR el yazısıyla çalışır mı?

Basılı metin için tasarlanmıştır. El yazısı ve düşük kaliteli taramalar hatalar üretebilir, bu yüzden kritik ayrıntıları özgün sayfa görüntüsüyle doğrulayın.

İlk olarak https://pdfmcp.org/guides/how-to-ocr-a-scanned-pdf/ adresinde yayımlandı