Как сделать скан PDF с поиском по тексту?
Отсканированный PDF по сути состоит из фотографий страниц. Вы его прочитаете, а компьютер нет: поиск ничего не находит, а при выделении захватывается вся страница как картинка. OCR решает это: распознаёт буквы на каждой странице и сохраняет их как текст, понятный компьютеру.
Выберите файл, отметьте языки, на которых он напечатан, и оставьте результат PDF с поиском. Инструмент отрисовывает каждую страницу в высоком разрешении, распознаёт текст и кладёт невидимый текстовый слой точно поверх слов исходной страницы. Результат открывается в любой программе для PDF. Он выглядит как ваш скан, но в нём работают поиск, выделение и копирование, а поиск по файлам на компьютере найдёт документ по содержимому.
Страницы, где уже есть настоящий текст, например набранная титульная страница в остальном отсканированного файла, остаются как есть, поэтому одни и те же слова не задваиваются.
Совет: Отмечайте только те языки, которые реально есть в документе. Каждый лишний язык немного замедляет распознавание и даёт движку больше шансов выбрать не то слово.
Как перевести скан PDF в текст?
Выберите результат Текстовый файл (.txt). Вы получите один файл с текстом со всех страниц, страницы разделены пустой строкой. Это удобно, когда нужно процитировать отсканированное письмо, перевести документ или перенести цифры из старого отчёта в таблицу.
Если нужен редактируемый документ с вёрсткой, следующий шаг: перевести PDF с поиском в Word. А для файлов, которые никогда не сканировались, например PDF, сохранённого из Word, OCR вообще не нужен: извлечь текст напрямую быстрее и точнее.
Насколько точно распознаются сканы и фото с телефона?
На чистом ровном скане печатного текста распознавание обычно очень хорошее. Точность падает, когда исходник трудно читать, поэтому полезно знать слабые места движка:
- Низкое разрешение. Сканируйте с разрешением 300 DPI. Текст, который при увеличении выглядит размытым, будет угадываться.
- Наклонённые или изогнутые страницы. Фото разворота книги или кривой снимок с телефона мешают находить строки. Сначала выровняйте страницу.
- Рукописный текст. Движок обучен на печатном шрифте. Аккуратные печатные буквы могут распознаться, слитный почерк в основном нет.
- Печати, водяные знаки и цветной фон. Текст поверх них труднее отделить от фона.
- Таблицы и несколько колонок. Слова находятся, но в файле .txt порядок чтения может перескакивать между колонками.
Всегда проверяйте фамилии, номера и суммы в результате, прежде чем на них полагаться.
Безопасно ли распознавать конфиденциальные документы онлайн?
Здесь да, потому что документ никуда не загружается. Большинство онлайн-сервисов OCR отправляют файл на сервер, распознают его там и какое-то время хранят копию. Эта страница вместо этого скачивает в браузер движок распознавания и языковые данные, и вся работа идёт на вашем телефоне или компьютере.
Это можно проверить: откройте вкладку «Сеть» в инструментах разработчика и запустите распознавание. Вы увидите, как в первый раз приходят файлы движка, но ваш PDF никуда не отправляется. Это важно для того, что обычно сканируют: паспорт, СНИЛС, справки о доходах, выписки из банка, медицинские заключения и подписанные договоры.
Какие языки можно распознавать?
Доступно семнадцать языков (список есть в инструменте), и для документов, где они смешаны, можно отметить несколько, например русский договор с английскими терминами или английский инвойс для российской компании. Используются точные версии «best» языковых данных Tesseract в компактном целочисленном формате, поэтому они быстро скачиваются и при этом остаются точными.