Optimize & protect
ஸ்கேன் செய்த PDF-ஐத் தேடக்கூடியதாக்க (OCR)
Make scanned pages searchable and selectable.
ஸ்கேன் செய்த PDF என்பது பக்கங்களின் படம் மட்டுமே; அதில் ஒரு சொல்லைத் தேடவோ உரையை நகலெடுக்கவோ முடியாது. OCR (எழுத்துணரி) பக்கத்தில் உள்ள எழுத்துகளை அடையாளம் கண்டு, கண்ணுக்குத் தெரியாத உரை அடுக்கை (text layer) ஸ்கேனின் மேல் சேர்க்கிறது. ஸ்கேன் படம் மாறாமல் அப்படியே இருக்கும்.
Tesseract OCR மூலம் தமிழ், ஆங்கிலம் உட்பட 124 மொழிகள் இந்தக் கருவியில் உள்ளன. அடையாளம் காணுதல் முழுவதும் உங்கள் உலாவியிலேயே நடக்கிறது; ஆவணம் பதிவேற்றப்படுவதில்லை.
தமிழ் ஸ்கேனில் OCR செய்வது எப்படி
- ஸ்கேன் செய்த PDF கோப்பைத் தேர்ந்தெடுக்கவும்.
- "Document languages" பட்டியலில் Tamil என்று தேடித் தேர்ந்தெடுக்கவும். ஆவணத்தில் ஆங்கிலமும் இருந்தால் English-ஐயும் தேர்வில் வைத்திருக்கவும்.
- "Quality" என்பதில் "More accurate" (இயல்பு) அல்லது "Faster" என்பதைத் தேர்ந்தெடுக்கவும்.
- உரையைத் தனி .txt கோப்பாகவும் வேண்டுமானால் "Also save the text as a .txt file" என்பதைத் தேர்ந்தெடுக்கவும்.
- "Recognise text" பொத்தானை அழுத்தவும். ஒவ்வொரு பக்கத்திற்கும் சில விநாடிகள் ஆகலாம். முடிந்ததும் தேடக்கூடிய PDF-ஐப் பதிவிறக்கவும்.
நல்ல முடிவுக்குச் சில குறிப்புகள்
- OCR-இன் துல்லியம் ஸ்கேனின் தரத்தைப் பொறுத்தது. தெளிவான, நேரான, நல்ல வெளிச்சத்தில் எடுத்த பக்கங்களில் பிழைகள் குறைவாக இருக்கும்.
- மங்கலான, சாய்ந்த அல்லது கையெழுத்து உள்ள பக்கங்களில் பிழைகள் அதிகம் வரலாம். முக்கியமான பெயர்கள், எண்களை ஒருமுறை சரிபார்க்கவும்.
- ஆவணத்தில் உள்ள மொழிகளை மட்டும் தேர்ந்தெடுக்கவும். ஒவ்வொரு கூடுதல் மொழியும் வேகத்தைச் சற்றுக் குறைக்கும்.
- "Skip pages that already have text" இயல்பாகவே தேர்வில் இருக்கும்; ஏற்கெனவே உரை உள்ள பக்கங்கள் தவிர்க்கப்படும்.
OCR-க்குப் பிறகு
தேடக்கூடிய PDF-இல் சொல்லைத் தேடலாம், உரையைத் தேர்ந்தெடுத்து நகலெடுக்கலாம். திருத்தக்கூடிய ஆவணம் வேண்டுமானால் PDF to Word கருவியைப் பயன்படுத்தவும்; அதிலும் ஸ்கேன் பக்கங்களுக்கு OCR விருப்பம் உள்ளது. இந்திய மொழிகளில் OCR பற்றி மேலும் அறிய இந்த ஆங்கில வழிகாட்டியைப் பார்க்கவும்.
அடிக்கடி கேட்கப்படும் கேள்விகள்
தமிழ் ஸ்கேன்களில் OCR வேலை செய்யுமா?
ஆம். "Document languages" பட்டியலில் Tamil-ஐத் தேர்ந்தெடுத்தால் தமிழ் எழுத்துகள் அடையாளம் காணப்படும். தமிழும் ஆங்கிலமும் கலந்த ஆவணங்களுக்கு இரண்டையும் தேர்ந்தெடுக்கவும்.
ஸ்கேன் படம் மாறுமா?
இல்லை. பக்கங்கள் அப்படியே இருக்கும். அவற்றின் மேல் கண்ணுக்குத் தெரியாத உரை அடுக்கு மட்டும் சேர்க்கப்படுகிறது; அதனால்தான் தேடவும் நகலெடுக்கவும் முடிகிறது.
என் ஆவணம் பதிவேற்றப்படுகிறதா?
இல்லை. Tesseract உங்கள் உலாவியிலேயே இயங்குகிறது. ஆவணம் உங்கள் சாதனத்தை விட்டு வெளியே போவதில்லை.
எவ்வளவு நேரம் ஆகும்?
பொதுவாக ஒவ்வொரு பக்கத்திற்கும் சில விநாடிகள். பக்க எண்ணிக்கை, தேர்ந்தெடுத்த மொழிகள், உங்கள் சாதனத்தின் வேகம் ஆகியவற்றைப் பொறுத்து நேரம் மாறும். விரைவாக வேண்டுமானால் "Faster" என்பதைத் தேர்ந்தெடுக்கவும்.