thiagotigaz/ocr-it

What it solves

OCR It is a browser extension for Chrome and Firefox designed to extract text from paginated documents that are "trapped" in viewers—such as scanned books, slide decks, or PDFs—where text selection is disabled. テキスト選択が無効化されている、スキャンされた書籍、スライドデッキ、またはPDFなどのビューア内に「閉じ込められた」ページ分割されたドキュメントからテキストを抽出するために設計された、ChromeおよびFirefox用のブラウザ拡張機能です。

How it works

ユーザーは画面上のキャプチャ領域を一度定義します。拡張機能は、その特定の領域のスクリーンショットを撮り、完全にオフラインで動作する同梱のTesseractビルドを使用して光学文字認識（OCR）を実行します。

複数ページのドキュメントを処理するために、拡張機能は、保存されたスクリーンポイントを使用して（クロスオリジンiframeおよびShadow DOMをバイパスするために）またはキーボードイベントを使用して、自動的にページをめくるように設定できます。その後、テキストの変化が止まるか、ページ上限に達するまで、ドキュメントの終わりを検知して、キャプチャとページめくりのプロセスを自動化された「run」として繰り返すことができます。

Who it’s for

テキストのコピーを防止するウェブベースのドキュメントビューアからテキストをデジタル化する必要があるすべての人、特に、すべての処理をローカルマシンに保持することでプライバシーを維持したいと考えている人向けです。

Highlights

• 100% Offline OCR: 同梱のTesseractビルドを使用します。APIキーやネットワークリクエストは一切行われません。
• Automated Runs: 書籍全体をデジタル化するために、一連のシーケンスでページを自動的にキャプチャしてめくることができます。
• Cross-Frame Support: 座標ベースのクリックを使用して、クロスオリジンiframeまたはShadow DOM内の埋め込みビューアと対話します。
• Local Export: キャプチャされたテキストをその場で編集し、最終結果を .txt ファイルとしてエクスポートできます。
• Multi-language Support: 英語、ポルトガル語、スペイン語が付属しており、他のTesseract言語をベンダー提供することも可能です。