Как сделать PDF с текстом из картинок
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
- Откройте распознавание текста на PDF и загрузите документ.
- Выберите язык: русский, английский или смешанный режим RU + EN.
- Укажите страницы, если распознавать нужно не весь документ.
- 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.