OCR PDF

Инструмент достаёт текст из PDF любого вида: из скана, из фотографии документа, сохранённой в PDF, из документа системы ЭДО со штампом электронной подписи, из обычного «цифрового» PDF. Каждая страница проверяется отдельно. Где текст в файле уже есть, он берётся как есть — сразу и без ошибок распознавания. Где страница — картинка, её распознаёт сервер сайта.

Результат — текст в двух видах: «Как в документе», со строками, отступами и колонками на своих местах, и «Только текст» — сплошным потоком. Текст можно скопировать или скачать файлом .txt, найденные таблицы — сохранить в Excel или CSV. Если отметить «Ещё PDF с текстовым слоем», получите и PDF того же вида, в котором работают поиск Ctrl+F, выделение и копирование.

Распознаёт открытый движок Tesseract. Язык документа выбирается из четырёх вариантов: русский и английский вместе (подходит и для смешанного текста), только русский, только английский, казахский и русский.

Архив сканов. У бухгалтера, юриста или кадровика годами копятся сканы договоров, актов и приказов, и найти в них нужную запись можно только перелистыванием. Распознанный текст ищется по слову, а PDF с текстовым слоем можно положить в архив вместо скана — внешне он тот же.

Документы из ЭДО. Акт или счёт-фактура из системы электронного документооборота часто приходит сканом, поверх которого стоит штамп «Документ подписан электронной подписью». Из-за штампа часть программ считает страницу текстовой и пропускает её целиком. Здесь распознаётся тело скана, а текст штампа берётся из файла как есть.

Таблицы из сканов. Выписка, счёт или прайс пришли картинкой, а цифры нужны в таблице. Найденные на страницах таблицы показываются отдельно: их можно скачать в Excel — суммы там остаются числами — или скопировать и вставить в Excel и Google Таблицы сразу по ячейкам.

Учёба и цитаты. Отсканированные статьи и главы книг для курсовой или диссертации — тоже картинки. После распознавания нужную фразу можно скопировать, а не перепечатывать; перед тем как ставить цитату, сверьте её со сканом.

Разрешение скана. Лучше всего — 300 dpi, нормально — 200 dpi. Страницы с меньшим разрешением сервер перед распознаванием увеличивает до 200 dpi: мелкий текст читается заметно лучше, но чёткости хорошего скана это не заменит. Если документ под рукой, пересканируйте его на 300 dpi в режиме «Чёрно-белый текст» или «Оттенки серого».

Состояние документа. Чёткая печать на белой бумаге распознаётся почти без ошибок. Цветная бумага, копия копии, выцветший факс, фотография под углом или с тенями дают больше ошибок. Простая проверка: если текст на скане трудно прочитать глазами, распознавание тоже будет ошибаться.

Язык. Выберите тот, на котором написан документ. Вариант «Русский и английский» подходит для смешанного текста — с названиями, адресами почты и терминами на латинице. Для казахских документов выберите «Казахский и русский»: в русской модели нет букв ә, ғ, қ, ң, ө, ұ, ү, һ, и вместо них появятся похожие русские.

Шрифт и поворот. Обычные шрифты вроде Times и Arial распознаются хорошо, декоративные и рукопись — плохо. Страница, отсканированная вверх ногами или боком, распознаётся: программа сама определяет, как повёрнут текст. Страницы, где текст уже был в файле, не распознаются вовсе — ошибок распознавания на них нет.