Szöveg kimásolása képből és szkennelt PDF-ből

Mi történik, amikor beolvasol egy oldalt

Egy fényképen vagy egy szkennelt PDF-en a szöveg nem szöveg, hanem pixelek. Nem lehet benne keresni, nem lehet belőle másolni, és a felolvasó programok sem tudnak vele mit kezdeni. A szövegfelismerés — angolul OCR — ezt fordítja vissza betűkké. Két lépésből áll, és mindkettő itt fut le, a böngésződben. Az első egy neurális háló, amelyik megkeresi, hol vannak egyáltalán sorok az oldalon: nem betűket keres, hanem vonásokat, ezért a ferdén beszkennelt vagy telefonnal lefotózott oldalon is megtalálja őket. A második egy másik háló, amelyik soronként végigolvassa, amit az első talált, és karaktereket ad vissza.

A modellek első használatkor letöltődnek — körülbelül 25 megabájt, a futtatókörnyezettel együtt —, utána a böngésződ gyorsítótárában maradnak, és a következő oldal már azonnal indul. A fájl közben nem kerül fel szerverre. Ez nem marketingmondat, hanem az oka annak is, hogy egy oldal feldolgozása másodpercekbe telik: a te géped számol, nem egy szerverfarm.

Mitől lesz kereshető egy szkennelt PDF

A kereshető PDF nem új dokumentum: ugyanaz az oldalkép, amit beszkenneltél, azzal a különbséggel, hogy a szavak fölé odakerül a felismert szöveg is — láthatatlanul, pontosan oda, ahol a tinta van. A képernyőn semmi nem változik. A Ctrl+F viszont megtalálja a keresett szót, a szöveg kijelölhető és másolható, a felolvasó program pedig fel tudja olvasni. Ezért kérik a hatóságok és a pályázatok is gyakran „kereshető PDF" formában a beszkennelt papírokat.

Az oldalképet a kereshető PDF-be újratömörítve rakjuk be, JPEG-ként. Ez azért van így, mert a szövegréteg koordinátái pontosan ahhoz a képhez tartoznak, amit a felismerés is látott — az eredeti fájl visszacsempészése a fotók egy részén elforgatva kerülne be, és a kijelölés a szavak mellé esne. A méret ezért általában hasonló az eredetihez, de nem azonos vele.

Hol vannak a határai

Őszintén: nyomtatott szöveget olvas, kézírást nem. A magyar ékezeteket ismeri, de a hosszú kettős ékezet — az ő és az ű — kis betűméretnél néha ó-nak, ö-nek vagy ú-nak jön vissza. Érdemes átfutni az eredményt, mielőtt elküldöd valahová. A táblázatok szerkezete sem marad meg: a cellák tartalmát megkapod, a rácsot nem.

Ami sokat számít, az a felbontás. Egy 200 DPI-n beszkennelt A4 vagy egy egyenesen, jó fényben készült telefonfotó szinte hibátlan; egy ferde, homályos, árnyékos kép viszont bármelyik OCR-t megfogja. Egy fájl legfeljebb 40.00 MB lehet, PDF-ből pedig az első 20 oldalt olvassuk be — minden oldal külön futás, és egy százoldalas iratköteg olyan hosszú lenne, hogy senki nem várná ki.

Gyakori kérdések