Cách OCR một PDF đã quét và làm cho nó có thể tìm kiếm được
Một PDF đã quét là một hình ảnh, không phải văn bản: bạn không thể tìm kiếm, chọn hay sao chép nội dung của nó. Hướng dẫn này hiển thị hai cách cục bộ của pdfmcp: OCR thành một PDF có thể tìm kiếm, hoặc OCR thành văn bản thuần, tất cả trên thiết bị của bạn, với các thiết lập thực sự quan trọng.
Tại sao một PDF đã quét không có văn bản
Một máy quét lưu một bức ảnh của mỗi trang. Các từ là điểm ảnh bên trong một hình ảnh, không phải ký tự, vì vậy việc tìm kiếm không tìm thấy gì, việc chọn văn bản không chọn gì, và không có gì để sao chép. OCR (nhận dạng ký tự quang học) sửa điều đó: nó đọc hình ảnh của mỗi trang và đoán các điểm ảnh tạo thành ký tự nào.
pdfmcp dùng Tesseract cho việc này. Có hai thao tác OCR, và mỗi thao tác đáp ứng một nhu cầu khác nhau. ocr_pdf trả lại cho bạn một PDF có cùng vẻ ngoài, nhưng với một lớp văn bản vô hình, vì vậy chính tài liệu trở nên có thể tìm kiếm và chọn được. ocr_to_text trả lại cho bạn chỉ các từ, dưới dạng văn bản thuần. Cả hai đều chạy cục bộ.
Chọn cách: PDF có thể tìm kiếm hay chỉ văn bản
Chọn ocr_pdf khi tài liệu phải vẫn là một tài liệu: một hợp đồng, một báo cáo hoặc một kho lưu trữ mà người khác sẽ mở, tham khảo và trích dẫn. Nó chạy cục bộ bằng gói pdfmcp, vì việc tạo một PDF có thể tìm kiếm sạch sẽ cần bộ máy nặng. Các trang đã có lớp văn bản sẽ đi qua không thay đổi và được báo cáo là đã bỏ qua, vì vậy việc chạy nó trên một tài liệu hỗn hợp là an toàn.
Chọn ocr_to_text khi bạn chỉ cần các từ: để dán vào một ghi chú, đưa cho một tập lệnh, hoặc đọc nội dung một bản quét nói gì. Trên trang web, nó chạy trên thiết bị của bạn, trong trình duyệt của bạn, và tệp của bạn không bao giờ được tải lên; lưu ý rằng phiên bản web trên thiết bị chỉ bao gồm tiếng Anh. Cùng thao tác đó với gói cục bộ có thể cấu hình ngôn ngữ.
Tạo một PDF có thể tìm kiếm, từng bước
1) Cài đặt gói pdfmcp chỉ một lần (xem trang MCP). 2) Chạy thao tác ocr_pdf trên tệp của bạn, bằng gói cục bộ, một tác nhân được kết nối qua MCP cục bộ, hoặc mã của chính bạn. 3) Mở kết quả và kiểm tra nó: tìm kiếm một từ bạn có thể thấy trên trang. Nếu việc tìm kiếm tìm thấy nó và làm nổi bật nó ở đúng vị trí, lớp văn bản đã vào đúng chỗ.
Nếu bạn làm việc qua một tác nhân AI, cùng những bước đó thu gọn thành một yêu cầu duy nhất: kết nối máy chủ MCP cục bộ một lần (xem các hướng dẫn thiết lập), rồi yêu cầu tác nhân OCR tệp. Mọi thứ diễn ra trên máy của bạn.
Các thiết lập quan trọng: ngôn ngữ, DPI và trang
Ngôn ngữ là thiết lập mà mọi người sai nhiều nhất. Giá trị mặc định là eng (tiếng Anh). Đối với các ngôn ngữ khác, hãy đặt tham số ngôn ngữ thành một mã ngôn ngữ Tesseract, hoặc kết hợp các mã: eng+deu cho một tài liệu trộn tiếng Anh và tiếng Đức, chẳng hạn. Dữ liệu ngôn ngữ được tải xuống chỉ một lần khi sử dụng lần đầu và ở lại trên máy của bạn. Việc chọn ngôn ngữ mà tài liệu thực sự được viết bằng quan trọng hơn nhiều so với bất kỳ thiết lập nào khác.
DPI có giá trị mặc định là 300 và có thể được đặt trong khoảng từ 150 tới 600: đó là độ phân giải mà mỗi trang được kết xuất trước khi nhận dạng. Hãy để nó ở 300 cho các bản quét bình thường; một giá trị cao hơn có thể giúp với chữ nhỏ, với cái giá là công việc chậm hơn trên máy của bạn. Cuối cùng, tham số trang giới hạn công việc ở các trang bạn chỉ định (1-3,5,8, chẳng hạn), đó là cách nhanh nhất để kiểm tra các thiết lập của bạn trên vài trang trước khi xử lý một tài liệu dài.
Giới hạn, quyền riêng tư và các giới hạn trung thực
Trong thực tế, thiết bị của bạn giới hạn bạn: bộ nhớ và tốc độ, và, trong trình duyệt, các tệp lên tới khoảng 100 MB và 500 trang. Các tài liệu rất dài mất thời gian bằng thời gian máy của bạn mất; việc chia một bản quét khổng lồ thành các phần vẫn là một ý hay.
Quyền riêng tư tuân theo các quy tắc của pdfmcp, không có khẳng định nào mạnh hơn khẳng định mà chính trang web đưa ra: mọi thứ chạy cục bộ, tệp của bạn không bao giờ được tải lên, không bao giờ được lưu trữ trên bất kỳ máy chủ nào và không bao giờ được dùng để huấn luyện AI. Và giới hạn trung thực: OCR đọc văn bản in từ một bản quét đủ sắc nét. Chữ viết tay, các bản quét có độ tương phản rất thấp và các trang bị hỏng sẽ tạo ra lỗi: kết quả là một lớp văn bản nỗ lực tốt nhất, không phải một bản sao được chứng thực, vì vậy hãy kiểm tra các tên và số quan trọng đối chiếu với hình ảnh trang.
Dùng thử miễn phí trong trình duyệt của bạn
Câu hỏi thường gặp
OCR có miễn phí trong pdfmcp không?
Có, miễn phí mãi mãi. Công cụ OCR sang văn bản trên thiết bị miễn phí và không yêu cầu tài khoản nào. OCR đầy đủ bằng gói cục bộ cũng miễn phí, không khóa và không hạn mức hằng ngày. Không có gói trả phí nào.
OCR có thay đổi vẻ ngoài của PDF của tôi không?
ocr_pdf thêm một lớp văn bản vô hình; các hình ảnh trang vẫn nguyên như cũ. Các trang đã có văn bản sẽ đi qua không thay đổi và được báo cáo là đã bỏ qua.
OCR có thể đọc những ngôn ngữ nào?
Với gói cục bộ, hãy đặt tham số ngôn ngữ thành một mã ngôn ngữ Tesseract (mặc định eng; các kết hợp như eng+deu hoạt động): dữ liệu ngôn ngữ được tải xuống chỉ một lần khi sử dụng lần đầu. Công cụ web OCR sang văn bản trên thiết bị chỉ bao gồm tiếng Anh.
Tại sao bản quét lớn của tôi mất nhiều thời gian?
OCR là công việc nặng và nó chạy trên máy của bạn, vì vậy một bản quét rất dài mất thời gian bằng thời gian máy tính của bạn mất. Hãy chia tài liệu thành các phần nhỏ hơn và áp dụng OCR cho các phần đó, hoặc, nếu tệp đã có một lớp văn bản, hãy trích xuất văn bản đó bằng pdf_to_text thay thế.
OCR có hoạt động với chữ viết tay không?
Nó được thiết kế cho văn bản in. Chữ viết tay và các bản quét chất lượng kém có thể tạo ra lỗi, vì vậy hãy xác minh các chi tiết quan trọng đối chiếu với hình ảnh trang gốc.
Được xuất bản lần đầu tại https://pdfmcp.org/guides/how-to-ocr-a-scanned-pdf/