Wat is een doorzoekbare PDF en hoe verschilt die van een gewone scan?
Een doorzoekbare PDF is een PDF-bestand met een onzichtbare OCR-tekstlaag (tekstherkenning) ingebed achter elke gescande pagina. De pagina ziet er identiek uit aan de oorspronkelijke scan, maar in het bestand werkt zoeken in elke PDF-lezer — je kunt woorden vinden via Cmd+F, zinnen markeren en kopieren, tekst extraheren voor archieven of spreadsheets. Een gewone gescande PDF bevat alleen pagina-afbeeldingen — er is niets te vinden of te kopieren.
ScanLens maakt doorzoekbare PDF's op iPhone door OCR op het toestel te draaien via Apple Vision framework, en daarna de herkende tekst achter elke pagina-afbeelding in te bedden voor de export. De OCR-laag blijft in de PDF, dus het document blijft doorzoekbaar in elk besturingssysteem, in elke PDF-lezer, jaren later.
Voor bredere tekstextractie uit elke afbeelding of foto (niet alleen PDF) — zie OCR-app voor iPhone. Voor het volledige scenario van scans naar PDF — begin bij PDF-scanner. Typische vervolgstappen na het maken van een doorzoekbare PDF: meerdere PDF's samenvoegen op iPhone, een lange PDF splitsen of een contract ondertekenen.
Wat de onzichtbare tekstlaag precies is
Stel je een doorzoekbare PDF voor als twee lagen die op elke pagina gestapeld zijn. Bovenaan ligt de afbeelding van de pagina — de scan die je hebt gemaakt, exact zoals die er op papier uitzag. Daaronder ligt een tekstlaag: elk woord dat de OCR-engine herkende, geplaatst op dezelfde coordinaten als het bijbehorende woord in de afbeelding, maar weergegeven in een onzichtbaar lettertype. Jij ziet alleen de afbeelding; software ziet de woorden erachter.
Die positionering is de hele truc. Omdat elk herkend woord verankerd is aan de plek waar het in de scan staat, markeert het selecteren van tekst het juiste deel van de afbeelding en springt het zoeken naar de juiste plek op de juiste pagina. Het onzichtbare lettertype heeft een dekking van nul, dus het verandert nooit hoe het document eruitziet of afdrukt — de pagina blijft pixel voor pixel identiek aan de gewone scan. Wat is veranderd, is dat het bestand nu zijn eigen tekst bevat, niet alleen een afbeelding ervan.
ScanLens bouwt deze laag tijdens de export: nadat Apple Vision framework de tekst op het toestel heeft herkend, schrijft ScanLens elk woord met zijn omhullende kader in de PDF achter de pagina-afbeelding. Vanaf dat moment reist de tekst mee in het bestand — kopieer de PDF naar een Mac of pc, open hem jaren later in elke lezer, en de doorzoekbare tekst is er nog steeds, zonder afhankelijkheid van ScanLens of een internetverbinding. Het is een standaard PDF-functie, ingebakken in het document zelf.
Platte gescande PDF vs doorzoekbare PDF met OCR — en hoe je ze uit elkaar houdt
De twee bestanden kunnen er op het scherm identiek uitzien, en juist daardoor lopen mensen erin. Een platte gescande PDF bevat alleen afbeeldingen: een stapel pagina-afbeeldingen zonder tekst erin. Je kunt er niet in zoeken en geen zin markeren, en een telefoon of computer die je bestanden indexeert vindt hem alleen op bestandsnaam, nooit op wat er op de pagina staat. Dit krijg je van de meeste eenvoudige scan-apps, de documentscan van de iOS-camera of een kopieerapparaat dat «naar PDF scant» met OCR uitgeschakeld.
Een doorzoekbare PDF met OCR ziet er hetzelfde uit, maar draagt de hierboven beschreven onzichtbare tekstlaag. Zoeken vindt woorden erin, je kunt markeren en kopieren, en het besturingssysteem kan de volledige inhoud indexeren. De zichtbare pagina is ongewijzigd; het verschil zit volledig in wat het bestand kan.
Om te bepalen welke je in handen hebt, open je de PDF en probeer je een woord te markeren — sleep over een regel of houd lang ingedrukt. Als afzonderlijke woorden oplichten, is er een tekstlaag en is het bestand doorzoekbaar. Als de hele pagina als een enkel blok wordt geselecteerd, of er niets wordt geselecteerd, is het een platte scan met alleen afbeeldingen. De andere snelle test is zoeken: open Zoeken en zoek een woord dat je duidelijk op de pagina ziet staan. Een platte scan geeft geen resultaten. Door de pagina via ScanLens te halen wordt de laag toegevoegd en gaan beide tests slagen.
Waar de tekstlaag zich uitbetaalt: Spotlight, Bestanden en iCloud
Het doel van een doorzoekbare PDF is niet het moment waarop je hem maakt — het is het moment, een half jaar later, waarop je iets erin moet terugvinden. Op de iPhone en in het hele Apple-ecosysteem sluit de onzichtbare tekstlaag aan op de zoekmiddelen die je al gebruikt.
Zoeken met Spotlight
iOS Spotlight — het zoeken dat je bereikt door op het beginscherm naar beneden te vegen — indexeert de inhoud van PDF's die op het toestel staan, niet alleen hun namen. Zodra een scan een tekstlaag draagt, kan het typen van een zinsnede uit een document dat document direct naar voren halen, ook al ben je allang vergeten welke naam je het bestand gaf. Zonder de laag heeft Spotlight niets te lezen en kan het alleen op de bestandsnaam matchen.
De Bestanden-app
Een doorzoekbare PDF opslaan in de Bestanden-app maakt hem vindbaar op inhoud vanuit de zoekbalk van Bestanden. Dat telt vooral voor archieven: een map met gescande bonnen of contracten wordt een tekstcorpus dat je kunt bevragen, in plaats van een muur met identiek ogende pagina-miniaturen die je een voor een moet openen.
iCloud Drive en je andere apparaten
Omdat de tekstlaag in het bestand zelf zit, synchroniseert hij overal mee waar het bestand naartoe gaat. Zet een doorzoekbare PDF in iCloud Drive en hij is ook doorzoekbaar op je iPad en Mac — Spotlight op de Mac en de Bestanden-app op de iPad lezen dezelfde ingebedde tekst. De herkenning gebeurde eenmalig, op je iPhone, op het toestel; de doorzoekbaarheid volgt het document daarna overal, ook in externe systemen als Dropbox, Google Drive en SharePoint, die de ingebedde tekst op dezelfde manier indexeren.
| Taalgroep |
Talen |
| West-Europees | Nederlands, Engels, Duits, Frans, Spaans, Italiaans, Portugees |
| Cyrillisch | Russisch, Oekraiens, Bulgaars |
| Oost-Europees | Pools, Tsjechisch |
| Aziatisch | Chinees (vereenvoudigd), Japans, Koreaans |
| Midden-Oosten | Arabisch, Hebreeuws |
Meertalige documenten werken goed — de OCR-engine verwerkt pagina's met meerdere talen. Technische documenten met Engelse termen gemengd met andere talen worden correct herkend.
De echte reden om scans doorzoekbaar te maken: later iets terugvinden
Doorzoekbare PDF's verdienen zichzelf terug in de loop van de tijd, niet op het moment van scannen. Drie situaties laten zien waarom de tekstlaag de kleine kost aan bestandsgrootte waard is.
Archiveren zodat de stapel bruikbaar blijft
Een groeiend archief van platte scans wordt stilletjes onbruikbaar: honderd bonnen zien er als miniatuur allemaal hetzelfde uit, en de enige manier om er een te vinden is ze om de beurt openen. Maak elke scan doorzoekbaar terwijl je hem opbergt, en het archief blijft een tekstcorpus dat je kunt bevragen — tegenpartij, bedrag, dossiernummer — hoe groot het ook wordt. OCR-bij-opslaan is wat een langetermijnarchief behoedt voor verandering in een digitale schoenendoos.
Juridische ontdekking en documentbeoordeling
Wanneer een zaak vereist dat je duizenden pagina's uitkamt op de pagina's die een naam, datum of term noemen, is volledige tekstzoek het verschil tussen uren en minuten — voer de zoekopdracht uit over de hele set in plaats van elke pagina te lezen. Omdat ScanLens de OCR op het toestel doet, kan vertrouwelijk materiaal doorzoekbaar worden gemaakt zonder het ooit naar een externe dienst te uploaden.
Maanden later een clausule terugvinden
Je tekent een huurcontract of een overeenkomst, bergt de scan op en vergeet de details. Maanden later komt er een vraag — de opzegtermijn, een verlengingsdatum, een specifieke verplichting. Met een doorzoekbare PDF open je het bestand, zoek je het woord en land je in seconden op de exacte clausule; met een platte scan zit je te scrollen en te turen. Je toekomstige zelf, op zoek naar een regel in een nauwelijks herinnerd document, is precies het alledaagse geval waarvoor de tekstlaag gebouwd is.
