Tekst i skannet PDF ikke markerbar - Sådan løser du det med OCR

Hvorfor kan du ikke vælge tekst i en skannet PDF?

Når et dokument fysisk skannes og gemmes som PDF, optager scanneren et fladt billede af siden - ligesom at tage et foto. Den resulterende fil indeholder ingen faktiske teksttegn, kun pixels arrangeret til at ligne bogstaver. Det er derfor et klik et sted i dokumentet ikke vælger noget: der er intet tekstlag til din markør at gribe fat i.

Dette er en af de mest almindelige PDF-frustrationer. Dokumentet ser perfekt læsbart ud på skærmen, men det er i bund og grund et fotografi indlejret i en PDF-wrapper. Du kan ikke søge i det, kopiere fra det eller lade en skærmlæser fortolke det.

Hvad er OCR, og hvordan løser det dette?

OCR (Optical Character Recognition) er en teknologi, der analyserer billedet af tekst og konverterer det til faktiske, maskinlæsbare tegn. Softwaren ser på bogstavernes former, sammenligner dem med kendte mønstre og producerer et tekstlag, der indlejres tilbage i PDF’en.

Efter OCR-behandling får du en søgbar, markerbar PDF - visuelt identisk med originalen, men nu kan din markør markere ord, Ctrl+F kan finde sætninger, og kopiér-indsæt fungerer normalt. Skærmlæsere og tilgængeligheds-tools kan også læse den.

Sådan anvender du OCR på en skannet PDF

Der er flere måder at tilføje OCR til en skannet PDF på, fra gratis browserværktøjer til desktopsoftware:

• Konvertér til Word, gem derefter som PDF: Vores PDF til Word-konverter udtrækker det visuelle indhold og konverterer det til et redigerbart Word-dokument. I Word er teksten fuldt markerbar. Du kan derefter re-eksportere til PDF med et korrekt tekstlag.
• Adobe Acrobat (betalt): Branchestandardværktøjet. Åbn PDF’en, gå til Funktioner → Scan & OCR → Genkend tekst, og Acrobat tilføjer direkte et tekstlag. Dyrt men meget nøjagtigt.
• Google Drive (gratis): Upload din skannede PDF til Google Drive, højreklik på den og vælg "Åbn med Google Docs." Google kører automatisk OCR og åbner teksten i et Docs-dokument. Fungerer overraskende godt for rene scanninger.
• Tesseract OCR (gratis, open-source): En kraftfuld kommandolinje-OCR-motor brugt af mange apps. Bedst for udviklere eller tekniske brugere, der ønsker en gratis selvhostet løsning.
• Adobe Acrobat online (begrænset gratis): Adobe tilbyder begrænset gratis OCR-behandling via deres onlineværktøjer for brugere uden abonnement.

Tips til bedre OCR-nøjagtighed

OCR-kvalitet afhænger i høj grad af kvaliteten af den originale scanning. Følg disse tips for at maksimere nøjagtigheden:

• Skan ved 300 DPI eller højere: Scanninger med lavere opløsning producerer slørede tegn, som OCR-motorer læser forkert. 300 DPI er minimum; 600 DPI er ideelt for lille tekst eller detaljerede dokumenter.
• Brug sort-hvid til tekstdokumenter: Farvescanninger tilføjer filstørrelse uden at forbedre OCR-nøjagtighed for ren tekst. Sort-hvid eller gråtone er tilstrækkeligt for de fleste dokumenter.
• Hold siderne rette: Skæve eller vinklet sider forvirrer OCR-software. De fleste moderne værktøjer kan auto-rette, men at starte ret hjælper.
• Undgå kaffepletter og pletter: Fysiske mærker på dokumentet læses forkert som tegn. Rengør originalen hvis muligt.
• Tjek resultatet: OCR er ikke 100% nøjagtigt. Korrekturlæs altid resultatet, især for tal, tegnsætning og håndskrevne afsnit.

Efter OCR: reducer filstørrelse om nødvendigt

OCR-behandling kan nogle gange øge PDF-filstørrelsen, fordi det tilføjer et skjult tekstlag oven på det eksisterende billedlag. Hvis din resulterende fil er for stor, brug vores PDF-kompressor til at reducere størrelsen uden at miste visuel kvalitet.

Hvad hvis OCR ikke genkender teksten korrekt?

OCR-nøjagtighed afhænger af kvaliteten af den originale scanning. Dårlige resultater er almindelige med: meget små skrifttyper (under 8pt), håndskreven tekst, dekorative eller usædvanlige skrifttyper, falmet blæk eller lavkvalitets-scanninger under 200 DPI. I disse tilfælde kan manuel genindtastning være nødvendig - eller at genskanne originaldokumentet med højere kvalitet, inden OCR køres igen.