PDF hasil pindai ke Markdown

Cara kerja OCR di sini

PDF hasil pindai berisi gambar halaman, bukan teks. Untuk mendapatkan Markdown darinya, setiap gambar harus dibaca oleh model pengenalan teks. Di kebanyakan situs, itu berarti mengunggah file ke server. Di sini justru modelnya yang datang ke Anda:

1. Konverter memeriksa setiap halaman. Halaman yang sudah punya lapisan teks dibaca langsung, lebih cepat dan tepat. Halaman tanpa lapisan teks, atau yang lapisan teksnya terdiri dari karakter yang tidak terpetakan ke huruf, dikirim ke OCR.
2. Halaman digambar sebagai citra di dalam tab, dengan resolusi yang cukup untuk huruf kecil.
3. Model deteksi menemukan baris-baris teks, lalu model pengenalan membaca setiap baris. Keduanya model PaddleOCR (Apache 2.0) yang berjalan di WebAssembly, dengan beberapa thread jika browser mengizinkan.
4. Baris-baris disusun kembali sesuai urutan baca: paragraf disatukan, judul ditebak dari tinggi baris, dan baris yang sejajar dalam kolom dibangun ulang sebagai tabel. Setelah itu halaman menjadi Markdown seperti halaman lainnya.

Pindaian pertama yang Anda konversi akan mengunduh modelnya: sekitar 6 MB untuk aksara Latin dan Tionghoa, sekitar 20 MB untuk Jepang atau Korea. Setelah itu model tersimpan di cache, dan OCR langsung mulai.

Seberapa cepat?

Di laptop yang cukup baru, satu halaman biasa butuh dua sampai empat detik setelah model dimuat. Ponsel lebih lambat, dan halaman dengan huruf kecil yang padat lebih lama daripada sepucuk surat. Baris progres menunjukkan halaman mana yang sedang dibaca, dan Batal menghentikan proses kapan saja. Halaman yang sudah dibaca tetap tersimpan, jadi saat dimulai lagi prosesnya melanjutkan dari titik berhenti.

Jika hanya sebagian halaman yang hasil pindai, hanya halaman itu yang melewati OCR. Laporan 200 halaman dengan tiga halaman lampiran hasil pindai dikonversi hampir secepat laporan tanpa pindaian sama sekali.

Cek halaman yang diragukan OCR

Model pengenalan itu bagus, tetapi tidak sempurna. Alih-alih membuat Anda memeriksa semuanya, konverter mencatat tingkat keyakinan model untuk setiap baris. Halaman yang punya baris di bawah ambang batas ditandai di Halaman untuk dicek dengan label "OCR ragu pada beberapa kata", dan gambar halamannya ada di samping Markdown agar bisa dibandingkan.

Di sini pula masalah sebaliknya diperbaiki. Sebagian PDF punya lapisan teks yang rusak: fontnya mengarah ke karakter yang salah, sehingga teksnya tidak bermakna. Halaman seperti itu ditandai sebagai teks acak, dan Baca halaman ini dengan OCR membaca halaman itu saja dari gambarnya.

Pilih model yang tepat

Pilihan Anda diingat untuk kunjungan berikutnya. Dokumen yang mencampur bahasa Inggris dengan salah satu bahasa lain paling baik dibaca dengan model bahasa lain itu, karena setiap model juga mengenal huruf Latin dan angka.

Dapatkan hasil pindai yang lebih baik

• Pindai pada 300 dpi jika Anda memindai sendiri. Di bawah 200 dpi, huruf kecil mulai kabur menjadi huruf yang salah.
• Halaman yang lurus lebih mudah dibaca. Halaman yang difoto miring, atau melengkung ke arah punggung buku, bisa kehilangan kata di dekat tepinya.
• Pakai Semua halaman di Halaman pindaian jika PDF punya lapisan teks yang tidak Anda percayai, seperti hasil OCR pemindai lama. Konverter akan mengabaikannya dan membaca setiap halaman sendiri.
• Konversi sebagian halaman untuk pindaian panjang di ponsel, agar memori cukup.

Yang belum bisa dilakukan OCR

• Tulisan tangan tidak didukung; modelnya dilatih dengan teks cetak.
• Tabel yang padat atau miring. Tabel hasil pindai menjadi tabel Markdown jika kolomnya sejajar dengan jelas. Kolom yang rapat, atau halaman yang dipindai miring, bisa keluar sebagai baris teks. Selengkapnya di tabel PDF ke Markdown.
• Rumus keluar sebagai karakter yang dilihat model, bukan LaTeX.
• Bahasa di luar model di atas, seperti Arab, Ibrani, Sirilik, Yunani, Thai, atau Hindi, tidak tercakup OCR. PDF dalam bahasa itu yang punya lapisan teks tetap bisa dikonversi, karena tidak perlu OCR.

Apakah OCR di browser privat?

Ya. Setiap halaman digambar dan dibaca di dalam tab ini, dan teksnya tetap di memori tab sampai Anda menyalin atau mengunduhnya. Tidak ada bagian halaman, baik gambar maupun teks, yang dikirim ke mana pun. Karena itu alat ini cocok untuk kontrak hasil pindai, surat medis, dan dokumen lain yang tidak ingin Anda unggah. Anda bisa mengamati panel jaringan di developer tools browser selama proses berjalan: tidak ada permintaan yang membawa file atau teksnya.

Pertanyaan umum

Bisakah mengonversi foto dokumen?

Masukkan dulu fotonya ke PDF; kebanyakan ponsel bisa menyimpan pindaian atau foto sebagai PDF dari menu bagikan. Lalu taruh PDF itu di sini. File gambar langsung belum diterima.

Mengapa pindaian pertama lebih lama?

Model OCR diunduh pada kali pertama, sekali saja. Pindaian berikutnya, bahkan di hari lain, mulai tanpa menunggu selama browser masih menyimpan cache-nya.

Pindaian saya punya lapisan teks, tetapi teksnya salah. Lalu?

Lapisan teks itu berasal dari OCR yang dijalankan pemindai, dan kualitasnya bisa buruk. Pilih Semua halaman di Halaman pindaian lalu konversi lagi, atau gunakan Baca halaman ini dengan OCR pada halaman yang tampak salah.

Apakah bisa offline?

Setelah konversi dimulai dan model ada di cache, jaringan tidak diperlukan. Jika koneksi putus di tengah jalan, prosesnya tetap berlanjut.