Как распознать текст в скане PDF и включить поиск

Почему в отсканированном PDF не работает поиск

Когда сканер или приложение на телефоне создаёт PDF, каждая страница сохраняется как изображение. PDF, экспортированный из Word, устроен иначе: в нём есть настоящие символы, поэтому их можно искать и выделять. На отсканированной странице есть пиксели в форме букв, но самих букв нет.

Быстрая проверка покажет, какой у вас файл. Попробуйте выделить одно слово. Если оно выделяется отдельно, текст в PDF уже есть. Если выделяется вся страница одним блоком или ничего не происходит, это скан, и ему нужен OCR. Ещё один признак — размер файла: многостраничный скан обычно весит заметно больше, чем документ такой же длины, сохранённый из текстового редактора. А если вы получили PDF от банка или госоргана и не уверены, проверка выделением занимает пару секунд и сразу снимает вопрос, нужно ли распознавание или поиск в файле уже работает.

Что OCR делает с вашим PDF

OCR анализирует изображение каждой страницы, распознаёт символы и добавляет их в PDF невидимым текстовым слоем, расположенным прямо под видимыми словами. Страницы выглядят точно так же, как раньше, но теперь работают поиск, копирование и вставка, а также экранные дикторы, потому что под картинкой есть настоящий текст.

pdfdots «Распознать текст PDF» использует Tesseract — известный открытый движок распознавания — и запускает его в вашем браузере. Документ не загружается. Скачивается только языковая модель для выбранного языка, примерно 10–20 МБ, и браузер её сохраняет, так что следующие запуски стартуют быстрее. Нужен бесплатный аккаунт, рекламы и водяных знаков нет.

Как запустить OCR для скана: пошагово

Процесс занимает несколько кликов, а затем немного терпения, пока страницы распознаются.

• Откройте «Распознать текст PDF» и перетащите отсканированный файл в поле или нажмите, чтобы выбрать его.
• Выберите язык документа: английский, турецкий, испанский, португальский, немецкий или французский.
• Нажмите «Запустить OCR» и подождите, пока распознается каждая страница. На обычном компьютере это несколько секунд на страницу, на телефоне дольше.
• Скачайте PDF с поиском и проверьте его с помощью Ctrl+F или Cmd+F.

Как получить точный результат

Качество OCR зависит прежде всего от скана. Чистые, ровные, равномерно освещённые страницы дают очень хороший результат. Размытые фото с телефона, перекошенные страницы, мелкий шрифт и декоративные гарнитуры приводят к ошибкам, а рукописный текст надёжно не распознаётся вовсе.

• Выберите правильный язык. Это заметно улучшает распознавание букв с диакритикой и частых слов.
• Сначала выровняйте кривые страницы. Если страница лежит боком или вверх ногами, исправьте её в «Повернуть PDF» перед запуском OCR.
• Сокращайте длинные сканы. Если из архива на 300 страниц нужны лишь несколько, сначала вытащите их через «Извлечь страницы» — это сэкономит много ожидания.
• По возможности пересканируйте. Если страница выходит полной странных символов, более чёткий скан поможет больше всего остального.

Почему итоговый файл больше и что с этим делать

Перед распознаванием каждая страница заново отрисовывается примерно в 200 DPI, и это изображение попадает в новый файл вместе с текстовым слоем. В результате PDF с поиском часто весит больше исходного скана. Если его нужно отправить по почте или загрузить туда, где есть лимит размера, прогоните его затем через «Сжать PDF». Текстовый слой переживает сжатие, так что поиск в файле сохранится.

Архив старых бумаг с поиском

По-настоящему OCR окупается, когда его применяют ко всей коллекции. Мы превратили коробки старых писем, гарантийных талонов и налоговых документов в папку PDF с поиском, и теперь найти конкретный счёт многолетней давности — дело быстрого поиска, а не полдня в подвале.

Наш порядок простой. Каждый документ сканируем отдельным PDF или сканируем пачками и разрезаем через «Разделить PDF». Затем запускаем OCR для каждого файла, даём ему понятное имя и кладём в папку по году. И Windows, и macOS индексируют текстовый слой PDF, поэтому системный поиск по имени или сумме находит нужный документ, даже если слово встречается только на седьмой странице.

Точность на старых бумагах бывает разной. Выцветшие термочеки и копии под копирку трудны для любого движка, поэтому для действительно важных документов мы ещё и коротко вписываем ключевые детали в имя файла.

Что делать с PDF, в котором работает поиск

Когда текстовый слой на месте, возможностей становится гораздо больше. «PDF в текст» извлекает распознанный текст в обычный текстовый файл, что удобно для цитирования или передачи в другие программы. «Сравнить PDF» найдёт различия между двумя версиями отсканированного договора.

Конвертация в редактируемый формат после OCR тоже работает намного лучше. «PDF в Word» и «PDF в Excel» выполняются на нашем сервере конвертации в Германии, где файлы удаляются сразу после обработки, и дают гораздо более чистый результат, когда в PDF уже есть настоящий текст, а не картинки текста. Помните, что распознавание никогда не бывает идеальным на сто процентов, поэтому важные цифры, суммы и имена после конвертации стоит проверить глазами, прежде чем использовать их в отчётах, таблицах или официальной переписке.

Частые вопросы