Как отредактировать скан PDF: что можно изменить после OCR

OCR добавляет к скану невидимый слой текста для поиска и копирования, но буквы на картинке остаются картинкой. Пояснение пишут поверх страницы, замену делают через скрытие и новый текст, большие правки — через Word.

Нужно поправить дату в отсканированном договоре или дописать номер на справке? Откройте скан в инструменте Редактировать PDF: там же можно распознать текст, добавить новую надпись и закрыть старую. Заранее стоит понять, чего OCR не делает. Он добавляет к странице невидимый слой с распознанными словами, но напечатанные буквы на изображении остаются изображением и сами по себе не меняются.

Эта статья — про сканы и фотографии документов. Если PDF создан в Word или другой программе и текст в нём настоящий, правки делаются иначе: об этом статья как изменить текст в PDF без конвертации в Word.

Определите, что на странице

Сначала сохраните копию исходного файла. Затем откройте документ в редакторе и нажмите на панели инструментов кнопку «OCR». При наведении появляется её полное название — «Распознать текст (OCR)», а на телефоне панель открывается кнопкой «Инструменты». Открывшееся окно ещё до запуска проверяет страницы. В пункте «Страницы без текста» сразу видно, сколько таких нашлось, а в режиме «Выбрать страницы» рядом с номером каждой стоит пометка: «скан», «есть текст», «рисунок» или «пустая».

Пометка «есть текст» на отсканированной странице значит, что текстовый слой у файла уже есть: например, его добавил сканер или программа, через которую документ сохраняли. Проверьте его качество. Откройте файл в обычной программе просмотра PDF, скопируйте строку с датой или номером в любой текстовый редактор и сравните с тем, что видно на странице. Если цифры совпадают, распознавать заново не нужно.

Распознайте текст прямо в редакторе

Основной путь — не выходить из редактора:

1. Нажмите «OCR». 2. Выберите страницы: «Эта страница», «Страницы без текста», «Все страницы» или «Выбрать страницы». 3. В поле «Язык» по умолчанию стоит «Автоматически» (русский и английский сразу). Если в документе нет русского текста, выберите «Английский». 4. В поле «Качество» выберите «Точно (медленнее)», если на скане мелкий шрифт, таблицы или печати. 5. Нажмите «Распознать».

Окно можно закрыть и продолжать правки: слой добавится, когда обработка закончится. После этого поиск по документу находит слова на скане, а кнопка «Отменить» убирает распознанный слой одним шагом. Распознавание расходует операции из вашего лимита, и панель заранее показывает, сколько именно.

Отдельный инструмент OCR PDF делает то же самое с целым файлом. Он удобен, когда править ничего не нужно, а нужен только поиск и копирование. Режимы качества и выравнивание наклона подробно разобраны в руководстве по OCR, здесь повторять их не будем.

Какие языки распознаются

Сейчас распознавание знает два языка: русский и английский. Вариант «Автоматически» в редакторе и «авто» в поле «язык OCR» инструмента OCR PDF не угадывает язык, а читает страницу обоими сразу. Это удобно для документов, где русский текст перемешан с английскими названиями и кодами.

Сканы на других языках с латиницей, например немецком, французском или испанском, читаются английской моделью, если выбрать «Английский». Слова в целом читаются, но буквы с диакритикой вроде ä, é или ñ теряются или искажаются. В режиме «Автоматически» латинские буквы могут распознаться как похожие кириллические. Тексты на письменностях, отличных от кириллицы и латиницы, не распознаются вовсе. Для таких документов OCR сейчас не поможет, а добавление текста и скрытие из следующих разделов работают и без него.

Если в скане уже есть неудачный OCR

Повторное распознавание не исправляет чужие ошибки. Страница, на которой уже есть текстовый слой хотя бы из 24 символов, пропускается. В панели она попадёт в строку «уже с текстом, не трогаем», а инструмент OCR PDF вернёт её без изменений. Так сделано, чтобы не портить настоящий текст, но для скана со старым кривым распознаванием это значит, что новый запуск ничего не исправит.

Обходной путь — превратить страницы обратно в чистые картинки:

1. Прогоните файл через PDF в JPG. Результат придёт ZIP-архивом, по одной картинке на страницу. 2. Распакуйте архив и загрузите картинки по порядку в JPG в PDF. Чтобы не появилась белая рамка, поставьте «Поля» в 0. Если исходник был формата A4, выберите в поле «размер страницы» вариант A4. 3. Распознайте получившийся файл заново.

За один запуск «JPG в PDF» принимает ограниченное число картинок (лимит указан на странице инструмента). Длинный документ обработайте частями и соедините их через Объединить PDF. Обходной путь занимает три операции из дневного лимита, а при обработке частями больше: по запуску «JPG в PDF» на каждую часть и ещё один на объединение.

Учтите, что вместе со старым слоем исчезнут настоящие текстовые объекты, ссылки и закладки. Поэтому так стоит поступать только с документом, который целиком состоит из сканов.

Допишите пояснение поверх страницы

Когда старое содержимое должно остаться, а рядом нужно что-то добавить — входящий номер, комментарий или уточнение вроде «Начало в 14:00», — нажмите кнопку «Текст» (подсказка — «Добавить текст»). Поставьте блок в свободное место, подберите «Размер шрифта» и цвет, затем увеличьте масштаб и убедитесь, что надпись не наезжает на строки скана.

Поле «Фон» позволяет подложить под надпись заливку, например белую. Это только визуальное перекрытие: старые буквы под ним остаются в файле, а их распознанные копии по-прежнему находит поиск. Для удаления данных такой способ не годится.

Замените фрагмент через скрытие

Если старое значение нужно действительно убрать, нажмите кнопку «Скрыть» (подсказка — «Добавить скрытие»). На странице появится белая область: перетащите её на старую дату, подгоните размер маркерами по краям, а затем поставьте поверх новую дату кнопкой «Текст». После нажатия «Применить изменения» готовый PDF появится ниже, его можно скачать. Исходный файл при этом не меняется.

У этого способа есть цена. Страница со скрытием экспортируется целиком как картинка, поэтому под закрытой областью ничего не остаётся. Но текстовый слой пропадает со всей страницы: текст на ней больше нельзя выделить и найти поиском. Добавленная вами надпись на этой странице тоже впечатывается в изображение и перестаёт быть текстом. Ссылки вне области сохраняются, а свойства документа, вложения и закладки не очищаются. Подробнее о скрытии данных — в статье как затереть конфиденциальные данные в PDF.

Чтобы вернуть поиск, распознайте результат ещё раз: откройте скачанный файл в редакторе или в OCR PDF. Страницы, где текст остался, будут пропущены, а страницы со скрытием теперь стали чистыми картинками и распознаются заново — уже с новой датой.

Для больших правок перейдите в Word

Переписывать абзацы и таблицы поверх скана неудобно. В этом случае сначала распознайте документ, затем откройте PDF в Word и в поле «Тип результата» оставьте «Редактируемый текст». Вариант «Точная копия (нельзя редактировать)» вставляет страницы картинками, и править в нём нечего.

Снимите флажок «включать изображения». Для скана сама страница — это картинка внутри PDF, поэтому с включённым флажком в DOCX попадут и изображение страницы, и распознанные абзацы, то есть текст окажется в файле дважды. Без изображений получится чистый текст. Печати и подписи при этом в документ не перейдут: если они нужны, вставьте их в Word отдельно.

Распознавание не восстанавливает исходные шрифты, переносы и точную вёрстку таблиц. После правки сохраните документ из Word в PDF и сравните его с исходником постранично: суммы, даты, номера, фамилии. Небольшое пояснение проще добавить прямо в редакторе, а пересборка в Word оправдана, когда меняется заметная часть текста.