Как понять, что PDF нужен OCR
PDF со сканера, из мобильного приложения для сканирования или факс-шлюза обычно содержит по одной картинке на страницу и больше ничего. Он выглядит как документ, но для компьютера это фотография. Признаки легко заметить:
- Ctrl+F (Cmd+F на Mac) ничего не находит, даже слово, которое отчётливо видно.
- Протягивание мышью выделяет всю страницу блоком, а не отдельные слова.
- Копирование и вставка ничего не дают, или программа просмотра предлагает «распознать текст».
- Поиск по документам в почте, облачном хранилище или архиве никогда не находит этот файл.
OCR исправляет все четыре проблемы разом. Типичные кандидаты — подписанные договоры, прошедшие через сканер, старые бумажные архивы, чеки и счета для бухгалтерии, а также главы книг, отсканированные для учёбы.
Что сервер делает с вашим файлом
Конвертация запускает OCRmyPDF с движком распознавания Tesseract на нашем сервере. Для каждой страницы он отрисовывает изображение, распознаёт слова на выбранном языке и добавляет их обратно невидимым текстовым слоем, расположенным точно поверх соответствующих слов на картинке. Само изображение не перерисовывается и не меняется, поэтому результат выглядит в точности как оригинал.
Несколько деталей, которые стоит знать:
- Страницы, где текст уже есть, пропускаются, так что в документе со смесью набранных и отсканированных страниц исходный текст остаётся нетронутым.
- Применяется лёгкая оптимизация без потерь, поэтому размер файла обычно остаётся близким к исходному.
- Результат сохраняется в формате PDF/A — архивной разновидности PDF, рассчитанной на то, чтобы и через десятилетия отображаться так же. Его открывает любая обычная программа для просмотра PDF.
- За один запуск используется один язык. Для документа, который в основном написан на одном языке с несколькими иностранными именами, выберите основной язык в поле «Язык документа».
Как получить точный текст
Качество распознавания определяется в основном ещё до того, как файл попадёт на сервер.
Разрешение
При сканировании печатных документов ориентируйтесь на 300 dpi. При таком разрешении обычный текст кеглем 10–12 пунктов распознаётся без труда. 200 dpi подходят для чистой, более крупной печати. При 150 dpi и ниже мелкие буквы сливаются, и ошибки вроде «rn», прочитанного как «m», становятся частыми. Сканирование с разрешением выше 400 dpi редко улучшает результат, зато сильно увеличивает файл.
Ориентация и ровность
Этот инструмент не поворачивает и не выравнивает страницы. Страница, отсканированная боком или вверх ногами, даёт плохой или пустой текст. Сначала исправьте ориентацию инструментом повернуть PDF. Небольшой наклон на градус-два допустим, но фото с телефона, снятое под углом, со страницей, изгибающейся у корешка книги, быстро теряет точность.
Контраст и посторонние элементы
Идеален чёрный текст на белой бумаге. Выцветшие термочеки, карандаш, цветная бумага, крупные печати поверх текста и фоновые узоры — всё это снижает точность. Рукописный текст полезным образом не распознаётся.
Длинные документы и ограничения по времени
Распознавание занимает несколько секунд на страницу, так что скан на 50 страниц обычно обрабатывается за несколько минут. У задач есть ограничение по времени обработки: 15 минут без аккаунта и 60 минут с Premium. Книга на несколько сотен страниц может не уложиться в бесплатное окно; разделите её на части инструментом разделить PDF и обработайте их по очереди. Дневной лимит — один бесплатный запуск для файлов до 500 МБ или неограниченное число запусков для файлов до 4 ГБ с Premium.
PDF, защищённые паролем, отклоняются, потому что без пароля страницы невозможно прочитать. Если пароль у вас есть, сначала снимите его. Загруженный файл удаляется по окончании обработки, а результат перестаёт быть доступен примерно через час после создания задачи.
Проверка результата
Откройте PDF с возможностью поиска и поищите несколько слов с разных страниц, включая пару чисел. Ошибки OCR скапливаются в предсказуемых местах:
- Похожие символы: 0 и O, 1, l и I, 5 и S — особенно в кодах и номерах счетов.
- Таблицы, которые превращаются в строки текста, а не в ячейки.
- Мелкий шрифт в колонтитулах и печатях.
В договорах и счетах, где важна сумма, всегда сверяйте цифру по изображению, а не по скопированному тексту. Если нужен сам текст, а не PDF с поиском, откройте результат в инструменте извлечь текст из PDF — он извлечёт распознанный слой.