Як розпізнати текст у відсканованому PDF за допомогою OCR
Коротко: OCR не змінює вигляд сторінки: поверх зображення лягає невидимий текстовий шар, і починають працювати пошук та копіювання. Сторінки, що вже містять текст, пропускаються. Режим якості — це, по суті, роздільність відтворення: швидкий дає 100 DPI, точний — 300.
Добірка
покроковий посібник
покроковий посібник: PDF guidance for reliable document processing and quality checks.
Основний інструмент
OCR для PDF онлайн
Відкрийте інструмент із цієї статті й виконайте потрібну дію обраною мовою.
Відкрити інструментЗміст
Розпізнавання тексту в PDF: що відбувається зі сканом
Відсканований документ виглядає як документ і читається як документ, але для будь-якої програми це картинка. У ньому не можна шукати, з нього не скопіювати номер договору, а форма подання, що перевіряє наявність тексту, відхиляє його як порожній файл.
Розпізнавання вирішує саме це, і робить це так, що варто зрозуміти: воно нічого не переписує.
Що насправді додається до файлу
Зображення сторінки лишається недоторканим. Поверх нього накладається другий шар: текст, розташований там, де на картинці стоять відповідні літери, і зроблений невидимим.
З цього випливають усі властивості результату. Візуально файл не відрізнити від оригіналу: той самий папір, ті самі печатки, той самий нахил, якщо він був. Водночас пошук знаходить слова, подвійне клацання виділяє рядок, а копіювання дає справжній текст.
Цей самий факт пояснює, чому розпізнавання безпечне для документів, у яких важливий вигляд. Відсканований договір із підписом після OCR лишається тим самим сканом із тим самим підписом; він просто став придатним для пошуку.
Сторінки, що вже містять текст, пропускаються
Перед обробкою кожну сторінку перевіряють на наявність текстового шару, і сторінки, які його мають, не розпізнаються взагалі.
З цього є два практичні наслідки.
Змішані документи обробляються правильно без жодних зусиль. Якщо частину файлу надрукували в редакторі, а частину вставили як скан, розпізнається тільки друга частина. Набраний текст лишається оригінальним, а не замінюється розпізнаною копією, і це важливо: оригінальний текст точний, а розпізнаний містить помилки.
Запуск OCR на звичайному текстовому PDF майже нічого не робить і нічого не псує. Це зручно, коли ви не знаєте, чи перед вами скан: просто пропустіть документ через інструмент.
Та сама логіка визначає, скільки триватиме завдання. Час залежить не від кількості сторінок у документі, а від кількості сторінок без тексту. Звіт на двісті сторінок із п’ятьма вставленими сканами обробляється за той час, який потрібен на п’ять сторінок.
Три режими якості — це три роздільності
Вибір якості керує лише одним: роздільністю, з якою сторінка відтворюється перед розпізнаванням.
| Режим | Роздільність | Коли вибирати |
|---|---|---|
| Швидкий | 100 DPI | Великий чіткий шрифт, приблизна перевірка |
| Збалансований | 150 DPI | Звичайні документи, договори, довідки |
| Точний | 300 DPI | Дрібний шрифт, виноски, погані копії |
За замовчуванням стоїть збалансований режим, і це варто пам’ятати. Ста п’ятдесяти точок на дюйм достатньо для заголовків і основного тексту, але дрібні виноски, цифри в таблицях і печатки все одно виходять гірше, ніж у точному режимі.
Правило просте: якщо в документі є щось, до чого ви самі придивляєтеся, виберіть точний режим. Він повільніший, зате вам не доведеться робити роботу двічі.
Мова: «Авто» означає дві мови одразу
Доступні англійська та російська, а також режим «Авто».
Автоматичний режим не вгадує мову. Він розпізнає документ одразу двома мовами, і це добре підходить для тексту, де одну мову густо пересипано іменами, кодами й термінами з іншої. Ціна — швидкість і невелика втрата точності на однорідному тексті.
Якщо документ повністю однією мовою, вибір цієї мови дає трохи кращий і швидший результат.
Коли вибрана мова недоступна, розпізнавання не завершується помилкою: воно запускається з тим, що встановлено, і додає окреме попередження, де названо і мову, яку ви просили, і ту, що застосовано. Це попередження варто прочитати, а не закривати: непомітно підмінена мова пояснює дивний результат краще за будь-які здогади.
Окремо про документи іншими мовами. Латиницю розпізнає англійський пакет, але діакритичні знаки при цьому губляться або спотворюються: французькі й німецькі тексти виходять читабельними, проте з помилками в діакритичних знаках. Системи письма, окрім латиниці й кирилиці, не підтримуються взагалі.
Як запустити розпізнавання
1. Відкрийте OCR для PDF онлайн і завантажте документ. 2. Виберіть мову. «Авто» для змішаного тексту, конкретну мову для однорідного. 3. Увімкніть точний режим, якщо в документі є дрібний шрифт. 4. Запустіть завдання й завантажте результат. 5. Відкрийте файл і знайдіть слово, яке точно є на скані. Це найшвидша перевірка.
Вирівнювання нахилу та його ціна
Окремий перемикач вирівнює похилі сторінки перед розпізнаванням. За замовчуванням він вимкнений, і на це є причина.
Вирівнювання застосовується до тимчасової копії сторінки, яку й читає розпізнавання, а текстовий шар потім накладається на оригінальну, невиправлену сторінку. На сильно перекошеному скані це дає зсув: невидимий текст виявляється повернутим відносно видимих літер.
Пошук від цього не страждає, слово все одно знаходиться. Страждає виділення мишею: рамка виділення лягає осторонь від літер, і скопіювати уривок стає незручно.
Цей компроміс свідомий, адже оригінальні сторінки лишаються недоторканими. Якщо нахил сильний, краще вирівняти документ до розпізнавання: за допомогою Повернути PDF онлайн для поворотів на прямий кут або перезібравши скан через Сканувати в PDF онлайн, де є справжнє вирівнювання.
Чого розпізнавання не робить
Воно не покращує джерело. Розмите фото, відблиск лампи поперек рядка, тінь від руки на пів сторінки: усе це лишається, а розпізнавання такого місця дає нісенітницю або пропускає його.
Воно не читає рукописний текст. Інструмент створено для друкованого тексту.
Воно не дає юридично значущого тексту. Розпізнаний шар містить помилки й не може слугувати копією документа. Він існує для пошуку та для систем, яким потрібен текстовий шар, а не для цитування.
І воно не відновлює роздільність. Якщо вихідний скан зроблено на 75 точок на дюйм, точний режим відтворить його на 300, але додаткових літер не з’явиться: розмита картинка просто стане більшою. Якість розпізнавання задає джерело, а не налаштування.
Де розпізнавання стоїть у ланцюжку операцій
Порядок важливіший, ніж здається, і правило тут одне: розпізнавання йде перед стисненням.
Розпізнавання працює із зображення сторінки. Стиснення через Стиснути PDF онлайн псує це зображення: знижує роздільність і додає артефакти навколо літер. Зворотний порядок дає помітно більше помилок у тексті, а потім уже нічим їх виправити.
Складання й поворот теж слід робити до розпізнавання: вони змінюють, які сторінки існують і як вони орієнтовані, а текстовий шар прив’язаний до конкретної сторінки.
Якщо вам потрібен не файл із текстовим шаром, а сам текст окремим файлом, для цього є PDF у текст онлайн: він витягає вміст у простий текстовий файл, розбитий за сторінками.
Автор
Підготовлено командою сервісу; за сервіс відповідає Сергій Гагін
Запитання й відповіді
Ще з цієї добірки
покроковий посібник
Як перетворити PDF на Word, який можна редагувати
Файл відкрився у Word, але курсор не потрапляє в текст? Чому за замовчуванням виходить картинка, чим потоковий режим відрізняється від точного і куди зникли колонтитули.
покроковий посібник
Як перенести таблиці з PDF в Excel
PDF в Excel: які аркуші опиняються в завантаженій книзі, чим три режими розпізнавання відрізняються на практиці і чому вільний режим знаходить більше таблиць, але рве слова.
покроковий посібник
Як вилучити сторінки з PDF в окремий файл
Як забрати з PDF потрібні аркуші в окремий файл: чим відрізняються два режими виведення, чому файли в архіві зберігають номери сторінок і що дає вимкнення розміру.
Пов’язані інструменти
OCR для PDF онлайн
Розпізнайте текст на сканованих сторінках PDF за допомогою OCR, щоб його можна було шукати й копіювати.
PDF у текст онлайн
Витягніть текст із PDF у простий текстовий файл, щоб скопіювати вміст без форматування та макета.
Стиснути PDF онлайн
Зменште розмір PDF для електронної пошти чи форми завантаження. Виберіть готовий рівень стиснення або цільовий розмір, а перед відправленням перевірте читабельність і розмір отриманого файлу.
Повернути PDF онлайн
Виправте орієнтацію сторінок PDF, коли скан або окремі сторінки лежать боком чи догори дриґом.
Що робити далі
Усі інструменти
Каталог інструментів PDF: об'єднуйте, стискайте, розділяйте, конвертуйте, повертайте, захищайте й розблоковуйте PDF онлайн, онлайн.
Запитання й відповіді
Відповіді про облікові записи iHatePDF, обробку файлів, ліміти завантаження, мобільний доступ, приватність і помилки інструментів.
Контакти
Зверніться до iHatePDF з питань помилок обробки, вибору інструмента, безпеки, співпраці або пропозицій щодо нових функцій.