Цифровой PDF против сканированного PDF
Цифровой PDF (экспортированный из Word, с веб-сайта или из бухгалтерской системы) содержит сами символы и данные об их координатах. Вы можете выделить и скопировать текст, и любой инструмент для создания саммари сможет его прочитать.
Сканированный PDF (полученный со сканера, копира или через мобильное приложение) состоит из картинок. В нем нет символов — только пиксели, похожие на буквы. Скопировать текст не получится, а инструмент саммари, работающий только с текстовым слоем, увидит пустой документ.
Некоторые PDF бывают гибридными: это отсканированное изображение с невидимым текстовым слоем OCR, добавленным софтом сканера. Они ведут себя как цифровые PDF с точностью примененного алгоритма OCR.
Как проверить, является ли ваш PDF сканированным
- Попробуйте выделить слово. Если подсвечивается вся страница целиком как картинка или вообще ничего не выделяется — это скан.
- Выполните поиск по слову, которое вы видите на экране (Ctrl/Cmd + F). Ничего не найдено? Это скан.
- Сильно приблизьте масштаб: текст на скане становится размытым или пиксельным; в цифровом PDF буквы остаются четкими.
Как работает OCR (кратко)
ПО для OCR очищает изображение страницы (выравнивание, контрастность), находит строки текста, разбивает их на символы или слова и распознает их с помощью языковой модели. Современные движки, такие как Tesseract, используют нейросети, которые распознают целые строки, что повышает точность, но качество исходного изображения по-прежнему играет главную роль.
Как добиться точного OCR
- Разрешение: 300 dpi для мелкого шрифта, 200 dpi достаточно для обычного текста. Ниже 150 dpi количество ошибок резко возрастает.
- Ровные страницы: используйте планшетный сканер или мобильное приложение, которое выравнивает и кадрирует страницы; избегайте искривленных разворотов книг.
- Контрастность: черный на белом — идеальный вариант; выцветшие термочеки и цветной фон распознаются с трудом.
- Язык: OCR использует языковые модели — наш инструмент лучше всего распознает документы на английском, французском, немецком, испанском, итальянском или португальском языках.
- Без рукописного текста: рукописные заметки редко удается распознать надежно.
Сделайте саммари сканированного PDF в один шаг
- Загрузите сканированный PDFв инструмент для саммари сканированных PDF или на главную страницу.
- Дождитесь окончания OCRна индикаторе выполнения появится надпись «Сканированный PDF: выполняется OCR»; закладывайте примерно по 2–4 секунды на страницу.
- Выберите результатСводка, Ключевые пункты, Задать вопросы или распознанный текст в формате .txt.
- Проверьте важные деталисравните имена, суммы и даты с оригинальным изображением.
Типичные ошибки OCR, на которые стоит обратить внимание
- 0 и O, 1 и l / I, 5 и S, 8 и B в номерах и кодах.
- Пропущенные десятичные точки или разделители тысяч в суммах.
- Слившиеся колонки в многоколоночной верстке.
- Верхние колонтитулы, штампы и подписи, которые считываются как случайный набор символов.
Саммари, созданное на основе текста после OCR, унаследует эти ошибки, поэтому так важны ссылки на страницы и быстрая проверка ключевых цифр.
Часто задаваемые вопросы
Можно ли сделать саммари по фотографии документа?
Да, если она сохранена в формате PDF, а страница лежит ровно, имеет четкие границы и хорошее освещение. Приложения-сканеры, которые убирают искажения и кадрируют фото, дают гораздо лучшие результаты, чем обычные снимки.
Почему OCR занимает больше времени?
Каждую страницу необходимо проанализировать как картинку. Рассчитывайте примерно на 2–4 секунды на страницу по сравнению с практически мгновенным чтением цифровых PDF.
Есть ли лимит страниц для сканированных PDF?
В бесплатной версии инструмент распознает до 40 страниц сканированного PDF. Для цифровых PDF лимит составляет до 300 страниц.
Могу ли я получить текст после OCR?
Да, используйте вкладку «Извлечь текст» или инструмент PDF в текст и скачайте файл .txt.