Лоадика
ЛОАДИКАOnline Tools
Форматы и файлы

Как сделать PDF с текстом из картинок

Как превратить скан в документ с текстовым слоем: распознавание RU и EN, разрешение от 200 dpi, проверка ошибок и извлечение текста в TXT.

Скан или фотография документа — это набор картинок: текст на них есть для глаз, но не для компьютера. Поиск по такому PDF не работает, копировать нечего, а для архива документ бесполезен. Решение — распознавание текста (OCR): оно превращает изображения страниц в текст, с которым можно работать.

Зачем скану текстовый слой

Текстовый слой делает документ полноценным: по нему работает поиск, текст выделяется и копируется, а содержимое можно извлечь в отдельный файл. Для архивов и документооборота это критично — бумажный документ после сканирования должен остаться машиночитаемым.

Без OCR скан остаётся картинкой: найти в нём договор по номеру или процитировать абзац невозможно.

Как распознать текст на скане

  1. Откройте распознавание текста на PDF и загрузите документ.
  2. Выберите язык: русский, английский или смешанный режим RU + EN.
  3. Укажите страницы, если распознавать нужно не весь документ.
  4. Нажмите «Распознать текст» — сервер отрендерит страницы и распознает текст через tesseract.

PDF загружается на сервер, обрабатывается и удаляется сразу после завершения — документы и распознанный текст не хранятся.

Какие языки поддерживаются

Распознаются русский и английский языки — по отдельности или вместе. Смешанный режим RU + EN подходит для документов, где оба языка встречаются на одних страницах: договоры с переводом, техническая документация, счета с английскими терминами.

Если документ написан другим языком, распознавание даст плохой результат — алфавит и словарь не совпадут с ожидаемыми.

Как проверить качество распознавания

Точность зависит от качества скана. Проблемы создают размытие, наклон строк, мелкий шрифт и рукописный текст. Для печатных документов с разрешением от 200 dpi результат обычно хороший.

  • Пересканируйте с разрешением от 200 dpi, если текст распознался плохо.
  • Выровняйте наклон: повёрнутые строки распознаются с ошибками.
  • Проверьте цифры и имена собственные — в них чаще всего возникают ошибки.
  • Сверьте распознанный текст с оригиналом на спорных страницах.

Рукописные записи распознаются заметно хуже печатного текста — на них не стоит рассчитывать как на надёжный источник.

Что делать с распознанным текстом

Распознанный текст можно забрать целиком: извлечение текста из PDF сохранит содержимое в файл TXT. Учтите, что оформление при этом не переносится: шрифты, цвета и таблицы остаются в исходном документе, а в TXT уходит чистый текст с переносами строк.

Так удобно проверять распознанный документ: откройте TXT рядом с оригиналом и сверьте спорные места.

Частые вопросы

Как распознать текст на скане PDF?

Загрузите PDF, выберите язык и страницы, затем нажмите «Распознать текст». Сервер отрендерит страницы и распознает текст через tesseract.

Почему текст распознаётся неточно?

Качество зависит от скана: размытие, наклон, мелкий шрифт и рукописный текст снижают точность. Для печатных документов с разрешением от 200 dpi результат обычно хороший.

Куда загружается файл?

PDF загружается на наш сервер, обрабатывается и удаляется сразу после завершения. Мы не храним документы и распознанный текст.

Чем OCR отличается от извлечения текста?

Извлечение читает готовый текстовый слой и работает мгновенно. OCR распознаёт изображение страниц — он нужен, когда текстового слоя нет.

OCR превращает сканы в документы, с которыми можно работать: искать, копировать и цитировать. Сканьте с разрешением от 200 dpi, выбирайте правильный язык и проверяйте цифры по оригиналу.

Инструменты по теме

Пригодятся для задачи из статьи.