Cara OCR PDF

Membaca PDF hasil scan sebagai teks

PDF hasil scan adalah gambar dari sebuah dokumen, bukan dokumen. Anda bisa membacanya di layar, tapi Anda tidak bisa mencarinya, menyalin satu paragraf darinya, atau menempelkannya ke file lain. OCR — pengenalan karakter optik — adalah langkah yang mengubah gambar itu kembali menjadi teks: ia melihat setiap halaman, mengenali huruf-hurufnya, dan menuliskannya sebagai teks yang bisa Anda pakai. Tool ini menjalankan OCR di browser Anda, dengan mesin Tesseract.

Setiap halaman dibaca berurutan, dan hasilnya adalah file .txt berisi teks setiap halaman, dengan penanda halaman di antara halaman-halaman supaya Anda selalu tahu di mana satu halaman berakhir dan halaman berikutnya dimulai. Hasilnya terbuka di text editor mana pun, dan dari sana Anda bisa mencarinya, menyalin darinya, atau memasukkannya ke tool lain — ringkasan, terjemahan, atau pencarian. Satu file per jalan, sampai 100 MB dan sampai 20 halaman. Saat pertama kali memakai tool, mesin OCR (sekitar 7 MB) dan file bahasa untuk dokumen Anda (sekitar 1–4 MB) diunduh ke browser Anda; setelah itu keduanya tersimpan di cache dan siap dipakai.

Batasan jujurnya adalah OCR menebak. Ia melihat piksel dan memutuskan huruf mana setiap bentuk itu, dan pada halaman yang buram, miring, atau pudar ia akan salah menebak. Scan yang bersih pada resolusi yang bagus terbaca dengan baik; foto halaman yang diambil miring, dalam cahaya buruk, terbaca dengan buruk. Selalu periksa hasilnya — terutama nama dan angka, di mana satu huruf yang salah mengubah maknanya. Hanya teks cetak yang didukung; tulisan tangan tidak, dan tidak ada pengaturan yang membuatnya bisa. Dan pilih bahasa dokumen sebelum Anda mulai: OCR dengan file bahasa yang salah akan salah membaca huruf-huruf yang terlihat mirip di lintas bahasa.

Beberapa tips praktis. Kalau bisa, scan daripada memotret — scan datar adalah masukan terbaik yang bisa didapat OCR. Kalau scan-nya miring, luruskan dulu; halaman yang miring adalah penyebab paling umum hasil yang buruk. Jalankan tes singkat pada satu halaman sebelum mengerjakan seluruh dokumen, supaya Anda tahu kualitas apa yang diharapkan. Dan ketika teksnya penting — kontrak, rekam medis, seperangkat angka — baca file .txt dengan scan-nya, baris per baris, sebelum Anda mengandalkannya. OCR menghemat waktu mengetik berjam-jam, tapi ia tidak menghilangkan kebutuhan untuk memeriksa.

Ada baiknya juga tahu jenis dokumen apa yang ditangani OCR dengan baik. Halaman cetak yang bersih — buku, formulir, surat yang diketik — terbaca dengan baik, karena huruf-hurufnya teratur dan jaraknya rata. Halaman dengan dua kolom, tabel, atau campuran teks dan gambar terbaca kurang baik: teksnya keluar, tapi urutan kolom bisa tercampur, dan tabel bisa keluar sebagai satu baris panjang kata-kata. Halaman dengan stempel, tanda tangan, atau tulisan tangan di margin akan membaca teks cetaknya dan melewatkan sisanya, karena tulisan tangan tidak didukung. Kalau layout-nya penting — formulir di mana setiap kolom harus tetap di tempatnya — simpan scan-nya di samping teks, supaya Anda bisa memeriksa dari mana setiap baris berasal.

Pilihan bahasa juga layak dilihat kedua kalinya. OCR membaca paling baik ketika file bahasa cocok dengan bahasa halaman, karena huruf-huruf yang terlihat mirip di lintas bahasa — umlaut Jerman, aksen Prancis, kata bahasa Indonesia tanpa kembaran bahasa Inggris — ditebak dari bahasa yang Anda pilih. Dokumen yang mencampur dua bahasa akan membaca salah satunya dengan baik dan yang lain dengan buruk, dan tidak ada pengaturan yang membaca keduanya sekaligus. Kalau dokumen Anda sebagian besar satu bahasa dengan beberapa kata dalam bahasa lain, pilih bahasa utamanya dan periksa kata-kata asing itu dengan tangan.

Kualitas hasil juga bergantung pada apa yang Anda lakukan sebelum menekan tombol. Scan yang dibuat dengan halaman yang rata memberi OCR huruf-huruf yang tajam dan teratur; foto yang diambil dari atas meja dengan cahaya lampu yang tidak rata memberi huruf yang berbayang dan miring. Kalau dokumen asli Anda adalah buku yang tebal, tekan halamannya sampai rata saat memindai, karena teks yang melengkung di dekat jilidan adalah yang paling sering salah dibaca. Dan kalau dokumen Anda punya banyak halaman, bagi pekerjaan menjadi beberapa jalan — dua puluh halaman setiap kali — supaya Anda bisa memeriksa hasil tiap bagian sebelum lanjut ke bagian berikutnya.

Semuanya berjalan di browser Anda. Scan Anda tidak pernah diunggah ke server, jadi dokumen pribadi tetap di perangkat Anda. Tanpa akun, tanpa batas harian, dan tanpa watermark. Buka tool-nya, taruh scan Anda, pilih bahasanya, dan dapatkan kembali teksnya.

Cara menggunakan tool ini

1. 1Tarik satu PDF hasil scan ke halaman OCR PDF — sampai 100 MB, sampai 20 halaman per jalan.
2. 2Pilih bahasa dokumen.
3. 3Tekan Baca teks dengan OCR dan tunggu selagi setiap halaman dibaca berurutan.
4. 4Unduh file .txt dan buka di text editor mana pun.
5. 5Periksa hasilnya dengan teliti — terutama nama dan angka — sebelum Anda mengandalkannya.