Распознать текст в PDF

Как работает OCR

OCR для PDF использует оптическое распознавание символов, чтобы находить текст внутри сканированных страниц или PDF на основе изображений. Инструмент может создать PDF с поиском, добавив скрытый текстовый слой поверх исходных страниц, а также экспортировать распознанный текст в обычный текстовый файл для копирования или редактирования.

Проще говоря, OCR считывает текст с изображения. Если PDF создан из сканов или фотографий, текст на странице выглядит читаемым, но его нельзя выделить, скопировать или найти через поиск. OCR анализирует каждую страницу, визуально распознаёт буквы и слова и превращает их в настоящий текст, который понимает ваше устройство.

Это не то же самое, что обычный инструмент PDF в текст. Если PDF уже содержит выделяемый текст, такой инструмент просто извлекает его почти мгновенно. OCR нужен только тогда, когда в PDF нет настоящего текстового слоя, а всё содержимое является изображением — например, это сканы, фотографии или напечатанные документы, сохранённые как PDF.

Когда использовать этот инструмент

OCR полезен, когда текст визуально виден на странице, но его нельзя найти, выделить или скопировать из PDF.

• Превратите скан бумажного документа в PDF с поиском.
• Распознайте текст из сканов телефона, сохранённых в PDF.
• Восстановите текст из PDF, состоящих только из изображений, где обычное копирование не работает.
• Извлеките читаемый текст из старых отчётов, писем, счетов, архивных документов и других сканов.

Нужно извлечь текст из PDF, где текст уже можно выделить? Используйте извлечение текста из PDF в обычный текст. Нужны изображения страниц вместо OCR-текста? Попробуйте преобразовать страницы PDF в изображения. Нужно сначала обработать только отдельные страницы? Используйте извлечение выбранных страниц PDF в новый файл.

Пошагово: как распознать текст в PDF

Чтобы сделать PDF доступным для поиска, нужно всего несколько шагов:

• Добавьте PDF. Перетащите файл в область загрузки выше или нажмите, чтобы выбрать его на устройстве.
• Выберите язык OCR. Используйте автоматическое определение или вручную выберите основной язык документа.
• Выберите страницы. Запустите OCR для всех страниц или вручную нажмите только на нужные страницы.
• Выберите результат. По умолчанию выбран PDF с поиском, но при необходимости можно также экспортировать текстовый файл.
• Выберите, показывать ли предпросмотр текста. Включайте предпросмотр только если хотите увидеть распознанный текст под страницами.
• Запустите OCR. Инструмент обработает страницы в браузере и создаст результат локально.

Что входит в результат

• PDF с поиском: внешний вид страницы остаётся прежним, а скрытый распознанный текстовый слой добавляется для поиска, выделения и копирования в совместимых PDF-просмотрщиках.
• Текстовый файл: обычный экспорт .txt с распознанным содержимым для повторного использования, правки или вставки в другой документ.
• Дополнительный предпросмотр: можно показать распознанный текст перед сохранением, если важно проверить качество OCR.

OCR обычно не воссоздаёт исходную вёрстку документа идеально как редактируемый текст. Он лучше всего подходит для распознавания, поиска, копирования и базового восстановления текста.

Конфиденциальность, ограничения и как инструмент работает с файлами

FileYoga построен вокруг простого правила: ваши файлы остаются у вас. OCR выполняется локально в браузере, поэтому ваши PDF не загружаются на серверы FileYoga.

Советы для лучшего результата

• Выбирайте язык OCR вручную, если знаете основной язык документа.
• Чёткие, ровные и контрастные сканы обычно распознаются лучше, чем размытые, перекошенные страницы с тенями.
• Запускайте OCR только для нужных страниц, если PDF большой или устройство работает медленно.
• Используйте предпросмотр распознанного текста, если точность важна перед сохранением финального результата.
• Если PDF с поиском стал больше после OCR, сожмите его после обработки.
• Для документов на нескольких языках иногда лучше запускать OCR отдельно для групп страниц, где преобладает один язык.

Решение проблем

• OCR работает медленно: большие PDF, страницы высокого разрешения и большое количество сканов обрабатываются дольше, потому что каждая страница анализируется в браузере.
• Качество распознавания низкое: скан может быть размытым, низкого разрешения, перекошенным, шумным или снятым при плохом освещении.
• Автоматическое определение выбрало не тот язык: запустите OCR заново и выберите основной язык вручную для более точного результата.
• PDF с поиском выглядит так же, как раньше: это нормально — видимая страница обычно не меняется, а скрытый текстовый слой добавляется позади неё.
• Некоторые слова распознаны неверно или пропущены: декоративные шрифты, рукописный текст, таблицы, штампы, низкая контрастность и смешанные языки могут снижать точность OCR.
• Ошибка при обработке PDF: файл может быть повреждён, зашифрован, слишком сложен или слишком тяжёл для браузера. Пересохраните его в настольном PDF-приложении и попробуйте снова.

Вопросы и ответы