Перейти до вмісту
Стаття

Як розпізнати текст у відсканованому PDF за допомогою OCR

Розпізнавання накладає невидимий текстовий шар на незмінене зображення сторінки. Режим якості за замовчуванням, що робить «Авто» з мовою і чому вирівнювання вимкнене.

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.

Статей: 13

Основний інструмент

OCR для PDF онлайн

Відкрийте інструмент із цієї статті й виконайте потрібну дію обраною мовою.

Відкрити інструмент

Зміст

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.

РежимРоздільністьКоли вибирати
Швидкий100 DPIВеликий чіткий шрифт, приблизна перевірка
Збалансований150 DPIЗвичайні документи, договори, довідки
Точний300 DPIДрібний 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

Про проєкт

Запитання й відповіді

Ні. Зображення сторінки лишається таким, як було, а поверх нього додається невидимий текстовий шар. Візуально файл не відрізнити від оригіналу, зате пошук і копіювання починають працювати.
Практично нічого: сторінки, що вже містять текст, пропускаються без обробки. Це зручно для змішаних документів, де частину сторінок набрано, а частину відскановано.
Англійська та російська. Режим «Авто» розпізнає обидві одразу, що підходить для документів зі змішаним текстом. Якщо вибрана мова недоступна, розпізнавання запускається з доступною і повідомляє про це окремим попередженням.
Ні. Базовий сценарій доступний без створення облікового запису.
Файли використовуються лише для вибраної операції й автоматично видаляються після завершення обробки. Завантажені документи ми не використовуємо для навчання моделей ШІ.

Ще з цієї добірки

Пов’язані інструменти

← Усі інструменти категорії «Оптимізація»

Що робити далі

Після прочитання відкрийте ці сторінки, щоб перейти до практичних кроків або дізнатися більше про сервіс.

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.