Gescande PDF doorzoekbaar maken met OCR
Een gescande PDF lijkt tekst te bevatten, maar is eigenlijk een foto van een pagina, dus je kunt geen woord selecteren of naar een naam zoeken. OCR (optische tekenherkenning) leest de afbeelding en voegt een echte tekstlaag toe, waardoor het document doorzoekbaar wordt en je tekst kunt kopiëren.
Zo zie je of je OCR nodig hebt
Probeer een regel tekst in de PDF te selecteren. Markeert je cursor losse woorden, dan heeft het bestand al een tekstlaag. Wordt er niets geselecteerd, of licht de hele pagina op als één afbeelding, dan is het een scan die OCR nodig heeft.
Dat is belangrijk als je een clausule in een lang contract zoekt, iets uit een rapport wilt citeren of een archief doorzoekbaar wilt maken.
Stap voor stap
Open OCR op PDF en upload je gescande document. De tool leest elke pagina en bouwt een tekstlaag achter de afbeelding.
Download het resultaat. Het ziet er precies hetzelfde uit, maar nu kun je de tekst selecteren, kopiëren en doorzoeken, en kunnen andere tools hem ook lezen.
De beste resultaten krijgen
Hoe nauwkeurig OCR is, hangt af van de kwaliteit van de scan. Rechte, goed belichte scans met veel contrast worden bijna perfect gelezen; scheve of vage scans geven meer fouten. Een scheve scan eerst rechtzetten verbetert het resultaat.
Controleer belangrijke getallen altijd even met het origineel, want geen enkele OCR is perfect bij slechte scans.
Waarom een scan OCR nodig heeft
Een gescande PDF ziet eruit als een document, maar voor een computer is het alleen een foto daarvan. Je kunt de tekst niet selecteren, doorzoeken of kopiëren, omdat er geen tekst is, alleen een afbeelding van inkt op papier. OCR (optische tekenherkenning) leest de vormen in die afbeelding en reconstrueert de echte tekens, waardoor de foto een echte, doorzoekbare en selecteerbare tekstlaag onder de pagina krijgt.
Dit is de stap die al het andere mogelijk maakt: zodra een scan een tekstlaag heeft, kun je erin zoeken, eruit kopiëren, hem omzetten naar Word en hem bewerken. Zonder OCR is een gescand contract in feite een foto waar je niets mee kunt.
Een nauwkeurig resultaat krijgen
De nauwkeurigheid van OCR hangt sterk af van de kwaliteit van de scan. Een schone, rechte scan van gedrukte tekst met veel contrast wordt bijna perfect gelezen. Een vage fotokopie, een pagina die schuin is gefotografeerd of handschrift is veel lastiger. Voor het beste resultaat scan of fotografeer je bij goed licht, houd je de pagina plat en recht en gebruik je de hoogste redelijke resolutie.
Is een pagina scheef uitgevallen, zet hem dan eerst recht met PDF rechtzetten. Dat verbetert de herkenning merkbaar, omdat OCR horizontale tekstregels betrouwbaarder leest als ze ook echt horizontaal staan.
Wat je na OCR doet
Zodra de scan doorzoekbaar is, kun je ermee aan de slag: zet hem om naar Word om hem volledig bewerkbaar te maken, kopieer citaten of cijfers eruit, of bewaar hem gewoon als gearchiveerde PDF die je later terugvindt door op de tekst te zoeken. Bij grote hoeveelheden gescande stukken maakt OCR van een onbruikbare stapel afbeeldingen een doorzoekbare bibliotheek.