OCR PDF

Бесплатный онлайн-инструмент распознаёт текст в отсканированных PDF и фотографиях документов. Загрузите PDF — получите PDF того же вида, но с текстовым слоем поверх изображения: теперь по документу можно искать (Ctrl+F), копировать текст, выделять и цитировать. Внешний вид страниц остаётся как был, но из «картинки» PDF превращается в полнофункциональный текстовый документ.

Под капотом — Tesseract, открытый OCR-движок, разработанный изначально в HP, потом переданный Google. Tesseract — один из лучших бесплатных OCR-движков в мире, поддерживает русский и английский языки на одинаково высоком уровне. Точность распознавания на качественных сканах — 98-99%, на фотографиях документов — 90-95%.

Самый частый случай — старые отсканированные документы. У бухгалтера, юриста или госслужащего часто есть архивы сканов, в которых нужно найти конкретные записи. До OCR это делается перелистыванием каждой страницы вручную. После OCR — Ctrl+F и поиск по слову.

Второй сценарий — фотографии договоров и квитанций с телефона. Сфотографировали страницу договора, но потом нужно процитировать конкретный пункт в письме. Без OCR — переписываете руками с экрана. С OCR — открываете PDF в любом редакторе, выделяете нужный текст и копируете.

Третий — конвертация в редактируемые форматы. Чтобы перенести текст из отсканированного договора в Word, сначала нужно его распознать. После OCR можно конвертировать PDF в Word — текст уйдёт как настоящий, а не как картинка с буквами.

И ещё один кейс — индексация архивов. У компании 10000 отсканированных накладных за 5 лет. Без OCR — это большая папка с картинками, найти что-то конкретное невозможно. После OCR — это полнотекстовый архив, в котором поиск находит любую накладную за 5 секунд.

Главное — разрешение исходника. Скан 300 DPI — это идеал, OCR работает на 99%. Скан 200 DPI — норма, 95-98%. Скан 150 DPI — приемлемо, 90-95%. Меньше 150 DPI — текст начинает «плыть», точность падает до 80-90%. Если у вас плохой скан — попробуйте пересканировать на 300 DPI.

Второй фактор — качество исходного документа. Чёткая печать на белой бумаге — идеал. Текст на цветной бумаге, копия копии копии, выцветший факс, фотография под углом — всё это снижает точность. Перед загрузкой убедитесь, что документ читается глазами без напряжения — Tesseract тоже его не разберёт лучше вас.

Третий фактор — язык. Tesseract автоматически распознаёт русский и английский одновременно (rus+eng). Это покрывает 99% документов на постсоветском пространстве. Если в документе только английский — выберите этот язык в настройках для лучшей точности (правда, на нашем инструменте смешанный режим работает достаточно хорошо).

Последний фактор — шрифты. Стандартные Times, Arial, Helvetica распознаются почти идеально. Декоративные шрифты, рукопись, готическое письмо — это уже задача для специализированных моделей, которых в стандартном Tesseract нет.