OCR

De map met ingescande contracten bevat dertig bestanden, en zoeken op een contractnummer geeft nul resultaten, omdat in een scan geen letters zijn opgeslagen maar afbeeldingen van letters. Tekstherkenning kijkt naar die afbeeldingen en noteert welke tekens erop te zien zijn. Daarna is het document doorzoekbaar en kunt u de tekst eruit kopieren.

Een belangrijke beperking vooraf: u kiest uit Koreaans met Engels, alleen Engels, alleen Koreaans, Japans met Engels en vereenvoudigd Chinees met Engels, waarbij u voor die laatste twee op de .txt moet vertrouwen omdat de tekstlaag van de doorzoekbare PDF in een lettertype met alleen Koreaanse en Latijnse tekens wordt gezet; Nederlands zit er niet bij. Nederlandstalige stukken worden daarom niet betrouwbaar herkend, en juist bij eigennamen, accenten en bedragen is het resultaat dan onbruikbaar. Waar de taal wel past, hangt alles af van het uitgangsmateriaal: ongeveer 300 dpi, recht ingelegd, gelijkmatig belicht en met duidelijk contrast. Met de telefoon gefotografeerde pagina's met schaduw, bolling en een scheef perspectief geven veel slechtere resultaten dan een echte flatbedscan, en handschrift wordt helemaal niet gelezen.

U krijgt altijd twee bestanden: de kale tekst en een doorzoekbare PDF waarin elke pagina opnieuw als beeld van ongeveer 144 dpi is gerenderd, met de herkende tekens in een onzichtbare laag eroverheen; het document ziet er dus uit als de scan en reageert op zoeken, maar is niet meer het oorspronkelijke bestand. Staat er al echte tekst in het bestand, dan is de gewone tekstuitvoer nauwkeuriger, sneller en foutloos. De herkenning draait volledig in de browser op uw eigen apparaat; het document gaat niet naar een clouddienst ter analyse, wat bij identiteitsbewijzen, contracten en medische stukken het verschil maakt.