Kuvasta haettavaksi PDF:ksi – OCR-tekstikerroksen luonti

Tavallinen kuva-PDF on litteä kuva .pdf-säiliöön käärittynä — sen tekstiä ei voi valita, kopioida eikä hakea. Haettavassa PDF:ssä on näkymätön OCR-tekstikerros kohdistettuna jokaisen näkyvän merkin taakse, joten Ctrl+F löytää sanoja, kopioiminen toimii ja ruudunlukijat voivat lukea sivun ääneen, samalla kun ulkoasu pysyy identtisenä.

OCR-moottori lukee jokaisen sanan ja tallentaa sen tekstin ja rajauslaatikon alkuperäisen kuvan taakse tarkkoihin pikselikoordinaatteihin. Visuaalisesti sivu näyttää täysin samalta kuin alkuperäinen skannaus, mutta Adobe Acrobat, Preview, Chrome ja jokainen moderni PDF-katseluohjelma voivat nyt valita, etsiä ja kopioida tekstiä aivan kuin se olisi alun perin digitaalista.

Kyllä. Tekstitaso on PDF-standardin mukainen (ei suljettua laajennusta), joten Adobe Acrobat (Reader ja Pro), macOS:n Esikatselu, Chromen sisäänrakennettu PDF-katselin, Firefox, Edge ja mobiililukijat kuten Files-sovellus, Drive ja Dropbox kaikki indeksoivat ja hakevat sitä. Ctrl+F tai Cmd+F löytää sanat sekunneissa, jopa pitkistä skannatuista raporteista.

Kyllä. Anna useita kielikoodeja (esimerkiksi eng+chi_sim+hin), niin OCR ottaa ne kaikki huomioon merkkejä lukiessaan. Useita kirjoitusjärjestelmiä sisältävät asiakirjat, kuten kaksikieliset ruokalistat, kansainväliset sopimukset ja viranomaislomakkeet, toimivat moitteettomasti. Parhaan tuloksen saat antamalla todennäköisimmän kielen ensimmäisenä luettelossa.

Tekstikerros kasvattaa PDF:n kokoa tyypillisesti 5–15 % — yleensä muutama sata kilotavua sataa sivua kohden. Verrattuna hyötyyn (kokotekstihaku koko dokumenttiarkistossasi) se on pieni hinta. Jos koolla on merkitystä sähköpostissa, aja tulos PDF Compressin läpi pienentääksesi suuria upotettuja kuvia entisestään.

Lataukset käsitellään väliaikaisessa työkansiossa ja poistetaan automaattisesti minuuttien sisällä muunnoksen valmistumisesta. Emme koskaan kouluta malleja käyttäjätiedostoilla, emme jaa niitä emmekä lisää vesileimoja. Tämä tekee työkalusta turvallisen oikeudellisille, HR-, lääketieteellisille ja kirjanpitoon liittyville skannatuille arkistoille, joissa luottamuksellisuus on tärkeintä.

Tämä työkalu lukee kuvatiedostoja (JPG, PNG, TIFF, skannaukset ja valokuvat) ja palauttaa haettavan PDF:n. Jos sinulla on jo monisivuinen skannattu PDF, jaa se ensin sivukuviksi PDF kuviksi -työkalulla, ja pudota sitten ne kuvat tähän saadaksesi takaisin yhden haettavan, OCR-käsitellyn PDF:n.

Lataa JPG, PNG, WEBP, GIF, TIFF tai BMP — puhelinkuvat, tasoskannaukset ja kuvakaappaukset toimivat kaikki. OCR-moottori lukee tekstin ja kietoo sen näkymättömään kerrokseen kuvan taakse, joten tulos on tavallinen haettava PDF, joka avautuu missä tahansa katseluohjelmassa.

Searchable PDF needs an embedded hOCR text layer with per-word bounding boxes, which only the Tesseract-based engines (Engine 1 and Engine 2) can produce — the PaddleOCR 'Default' engine used elsewhere in the app can't generate that layer. Engine 1 is the standard Tesseract pass with the widest language support; Engine 2 can do better on stylised or lower-quality scans.

Open the Language picker in Settings and choose the document's language (English by default) — this is the single most important setting for OCR accuracy, since the engine's character recognition is language-specific. Click Re-run conversion after changing it to rebuild the PDF with a fresh text layer.

Pick Engine 1 for its broader language coverage, and set the Language picker to the contract's primary language. If key sections in a second language still aren't matching when you search, re-run the conversion with Engine 2 or the secondary language selected on a second pass.

It updates automatically — switching the Engine or Language dropdown immediately reprocesses the uploaded image and rebuilds the searchable PDF with the new setting, with no click required. The Re-run conversion button is mainly useful for retrying the exact same settings again, for example after a failed conversion or a brief network drop.