Dansk

Værktøjet accepterer billedfiler, TIFF eller PDF og anvender OCR for at udtrække læsbar tekst. Det opdager automatisk sprog, udfører layoutanalyse for at bevare linjeskift og sidens opbygning og leverer ren tekst eller struktureret JSON med blokke-koordinater.
Anvendelsesområder inkluderer digitalisering af forskningsartikler, kvitteringer, historiske håndskrifter og formularer, hvor søgbart indhold og data kan indeksere eller oversættes. Systemet understøtter flere sprog i ét dokument og kan angive tillidsniveauer for hver tekstregion for at lette kvalitetskontrol.
Et centralt differentieringspunkt er layout-bevidst udtrækning: tekstblokke, overskrifter og tabeller vises ofte med bounding-box metadata for at lette downstream-behandling som indeksiering, datafangst og tilgængelighedsarbejdsgange. Batch-behandling gør det muligt at behandle store arkiver med ensartede uddata-skemaer, mens uddataformaterne inkluderer ren tekst til hurtigt mål og struktureret JSON til programmatisk integration. Værktøjet er nyttigt for forskere, bibliotekarer, studerende og overholdelsesteams, der har brug for reproducerbare OCR-resultater, sporbar tekstoptekst og problemfri integration i datapipeliner.