03 / MIKÄ ON HAETTAVA O
Mikä on haettava OCR-PDF?
Haettava OCR-PDF on PDF-tiedosto, joka sisältää sekä skannatun kuvan että sen alle piilotetun tekstikerroksen. Tämän ansiosta voit valita tekstiä, kopioida sitä ja hakea tiedoston sisällöstä. Se on välttämätön, kun käsittelet skannattuja asiakirjoja, kuten sopimuksia, laskuja tai vanhoja papereita.
Tämä työkalu käsittelee tiedoston palvelimella, ei selaimessasi. Lähetät PDF:n, ja palvelin hoitaa tekstintunnistuksen. Pidät kiintolevystäsi puhtaan ja saat valmiin tiedoston takaisin.
04 / NÄIN MUUNNAT SKANN
Näin muunnat skannatun PDF:n hakukelpoiseksi
Toiminta on yksinkertaista: lataa yksi PDF-tiedosto, valitse tunnistettavat kielet ja aseta haluamasi tarkkuus. Työkalu käynnistyy automaattisesti, ja näet edistymisen vaiheissa: ensin siirto, sitten jonotus ja lopuksi käsittely prosentteina.
Tiedoston on oltava enintään 50 megatavun kokoinen ja siinä saa olla enintään 500 sivua. Työkalu hyväksyy vain PDF-tiedostoja, ja se tarkistaa todellisen tiedostotyypin tiedoston sisällöstä – ei nimen perusteella. Jos lataat jotain muuta kuin PDF:n, työkalu hylkää sen ennen käsittelyn aloittamista.
05 / KIELET JA TARKKUUS
Kielet ja tarkkuus – nämä asetukset voit valita
Valittavissa on kolme kieltä: englanti, saksa ja ranska. Voit valita yhden tai useamman kielen kerralla. Muita kieliä ei ole tuettu. Ennen käsittelyn aloittamista työkalu tarkistaa, että valitut kielet ovat asennettuina – jos jokin kieli puuttuu, virhe tulee heti, ei vasta latauksen jälkeen.
Voit myös valita käytettävän tarkkuuden (DPI) alueelta 150–400. Oletusarvo on 300. Mitä suurempi DPI, sitä tarkempi tekstintunnistus, mutta myös suurempi tiedostokoko. Työkalu käyttää valitsemaasi tarkkuutta vain niille sivuille, jotka todella tarvitsevat tunnistusta. Jos PDF:ssä on jo digitaalisia sivuja, ne kopioidaan sellaisenaan ja säilyttävät alkuperäisen laadun.
06 / MITÄ TYÖKALU TEKEE
Mitä työkalu tekee tiedostollesi?
Kun olet ladannut tiedoston, se varastoidaan yksityiseen pilvitallennustilaan. Sitten se tarkistetaan haittaohjelmien varalta ennen kuin mikään käsittely alkaa – saastunut tiedosto ei koskaan pääse käsittelymoottoriin. Tämän jälkeen tiedoston todellinen sisältö luetaan, ja jos se ei ole PDF, prosessi keskeytyy.
Varsinaisen tunnistuksen tekee Tesseract-niminen OCR-moottori. Se lukee skannatut sivut ja lisää niihin tekstikerroksen. Jos tiedostossa on sivuja, joissa on jo valittavaa tekstiä (vähintään noin tusina merkkiä), ne jätetään ennalleen – näin digitaalisten sivujen laatu säilyy.
Kun tunnistus on valmis, työkalu avaa tuotetun tiedoston uudelleen ja tarkistaa, että se on kelvollinen. Jos sivumäärä on muuttunut tai tekstikerrosta ei voi lukea, työ epäonnistuu eikä tiedostoa tarjota ladattavaksi. Tämä varmistaa, että saat aidosti toimivan hakukelpoisen PDF:n.
07 / MITÄ OCR EI OSAA –
Mitä OCR ei osaa – ja mitä tehdä huonon tuloksen kanssa
OCR ei ole täydellinen. Käsinkirjoitus, epätavalliset kirjasimet, matalaresoluutioiset skannaukset ja toisiaan koskettavat sarakkeet heikentävät tunnistustarkkuutta. Myöskään paras mahdollinen OCR-moottori ei korjaa näitä ongelmia.
Jos työkalu palauttaa varoituksen OCR_TEXT_LAYER_ADDED, se tarkoittaa, että tekstikerros on lisätty, mutta tunnistus ei ole täydellistä. Tämä on normaalia, mutta se kannattaa huomioida. Tarkista tarvittaessa tärkeät tiedot alkuperäisestä skannauksesta.
Jos lopputulos on huono, kokeile suurentaa DPI-arvoa (esimerkiksi 400) ja varmista, että valitset oikeat kielet. Muista, että käsinkirjoitetut tekstit eivät yleensä onnistu, ja hyvin matala resoluutio tuottaa virheitä.
08 / YKSITYISYYS JA TIE
Yksityisyys ja tiedostojen hävittäminen
Lataamasi tiedosto tallennetaan yksityiseen pilvitallennustilaan. Jos et ole kirjautunut sisään, tiedosto poistetaan automaattisesti 1 tunnin kuluttua. Jos olet kirjautunut sisään, tiedosto säilyy 7 vuorokautta ja poistetaan sitten automaattisesti.
Työkalu tarkistaa tiedoston haittaohjelmien varalta ennen käsittelyä, ja myös valmis tiedosto avataan ja tarkistetaan ennen latausta. Voit siis luottaa siihen, että tiedostosi käsitellään turvallisesti ja että saat kelvollisen tuloksen.
FAQ
Usein kysytyt kysymykset
Miten muutan skannatun PDF:n hakukelpoiseksi tekstiksi?
Lataa PDF-tiedosto työkaluun, valitse haluamasi kielet (englanti, saksa, ranska) ja aseta DPI-arvoksi 150–400 (oletus 300). Työkalu tunnistaa tekstin ja lisää tekstikerroksen. Lataa valmis PDF, jossa voit valita ja kopioida tekstiä.
Tukeeko työkalu suomen kieltä?
Ei. Työkalu tukee vain englannin, saksan ja ranskan kieliä. Muita kieliä ei ole saatavilla. Jos tarvitset suomen kielen tunnistusta, etsi toinen työkalu.
Mikä on suurin sallittu tiedostokoko ja sivumäärä?
Tiedoston enimmäiskoko on 50 megatavua ja sivumäärä enintään 500. Työkalu hyväksyy vain yhden PDF-tiedoston kerrallaan. Jos tiedosto on suurempi tai siinä on enemmän sivuja, käsittely epäonnistuu.
Mitä tarkoittaa varoitus OCR_TEXT_LAYER_ADDED?
Tämä varoitus tarkoittaa, että tekstikerros on lisätty onnistuneesti, mutta tunnistus ei ole täydellistä. Se voi johtua esimerkiksi huonosta skannauslaadusta tai käsinkirjoituksesta. Tarkista tärkeät tiedot alkuperäisestä kuvasta.
Voinko muuttaa DPI-asetusta tunnistuksen parantamiseksi?
Kyllä. DPI-asetus on säädettävissä välillä 150–400, ja oletusarvo on 300. Suurempi DPI parantaa yleensä tunnistustarkkuutta, mutta kasvattaa tiedostokokoa. Voit kokeilla eri arvoja ja valita parhaan tuloksen.
Mitä tapahtuu, jos lähetän tiedoston, jossa on jo valittavaa tekstiä?
Sivut, joissa on jo valittavaa tekstiä (vähintään noin tusina merkkiä), jätetään ennalleen. Ne säilyttävät alkuperäisen terävyyden ja tekstikerroksen. Vain sivut, jotka todella tarvitsevat tunnistusta, käsitellään.