# Как сделать краткую выжимку из сканированного PDF (OCR простыми словами)

Сканированный PDF — это набор изображений страниц. Чтобы сделать по нему саммари, текст сначала нужно распознать с помощью технологии OCR. Разбираемся, как понять, что ваш PDF — это скан, как работает OCR, как добиться точности и обработать всё за одну загрузку.

## Key facts

- Проверка: если вы не можете выделить слово в PDF, значит, это скан (только картинка).
- Сканированным PDF требуется OCR (оптическое распознавание символов), прежде чем ИИ сможет их проанализировать.
- Качество скана определяет точность: 200–300 dpi, ровные страницы, хороший контраст.
- PDF Summarizer обнаруживает сканы, автоматически запускает OCR и создает саммари.
- Всегда проверяйте имена, цифры и даты в распознанном тексте.

## 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

1. **Загрузите сканированный PDF** — в инструмент для саммари сканированных PDF или на главную страницу.
2. **Дождитесь окончания OCR** — на индикаторе выполнения появится надпись «Сканированный PDF: выполняется OCR»; закладывайте примерно по 2–4 секунды на страницу.
3. **Выберите результат** — Сводка, Ключевые пункты, Задать вопросы или распознанный текст в формате .txt.
4. **Проверьте важные детали** — сравните имена, суммы и даты с оригинальным изображением.

> **Нужно сделать саммари скана?** — Загрузите его — OCR и саммари за один шаг, бесплатно.

## 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.

## FAQ

### 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.

---
Source: https://pdf-summarize.com/ru/guides/how-to-summarize-a-scanned-pdf — PDF Summarizer (free PDF summarizer, Q&A with page citations, OCR, REST API). Site overview: https://pdf-summarize.com/llms.txt