Tiny Online Tools
A camada que ninguém consegue ver
Quando uma digitalização passa por OCR, o reconhecedor não substitui a imagem. Deixa a digitalização exatamente como estava e escreve por cima as palavras que reconheceu no modo de renderização 3 do PDF — «nem preenchimento nem contorno». O texto está lá, selecionável e pesquisável, mas nenhum visualizador pintará um único píxel dele.
É um desenho sensato, e torna impossível avaliar a qualidade do OCR. Uma pesquisa que não devolve nada diz-lhe que a palavra falta; não lhe diz se o reconhecedor leu Recebido como Recebldo, nem se deslocou uma coluna inteira uma linha para cima.
O que esta ferramenta mostra
Cada palavra reconhecida é redesenhada exatamente na caixa de onde saiu, sobre a digitalização de que veio. Quatro vistas:
- Apenas caixas — contornos, para ver cobertura e alinhamento sem o texto a atrapalhar.
- Texto sobre a imagem — as palavras reconhecidas desenhadas de forma semitransparente sobre a digitalização, com um cursor de opacidade. Onde o reconhecimento derrapou, a palavra desenhada desliza visivelmente em relação à palavra digitalizada por baixo.
- Apenas texto — a camada sozinha sobre papel em branco, que é na prática o que um leitor de ecrã recebe.
- Apenas imagem — a digitalização tal como está, para comparar.
Alterne entre caixas de palavra, de linha e de bloco, pesquise no texto reconhecido e veja as correspondências realçadas na página, e clique em qualquer caixa para saltar para ela na lista.
Avaliar a qualidade
Por página obtém a contagem de palavras e caracteres, quanto do texto é de facto invisível, o tamanho médio da caixa de palavra e um valor de cobertura — que parte da área da página as caixas do OCR ocupam. Um reconhecedor que desistiu a meio da página denuncia-se com uma cobertura baixa muito antes de reparar nas palavras em falta.
As palavras com uma forma estatisticamente estranha são assinaladas: sem vogais, letras misturadas com dígitos, fragmentos de um só caractere, sequências de símbolos, caixas muito desalinhadas com as vizinhas. São suspeitas, não erros.
Exportação
Texto simples, JSON com cada caixa delimitadora e a sua fonte, ou HTML no estilo hOCR para ferramentas a jusante. As coordenadas são pontos PDF com a origem no canto superior esquerdo.
Privacidade
Nada é enviado. O PDF é analisado, renderizado e medido inteiramente dentro do seu navegador.