Распознайте текст в отсканированном PDF и получите файл, в котором можно искать.
OCR для PDF
Распознайте текст в отсканированном PDF и получите файл, в котором можно искать.
OCR для PDF работает на вашем устройстве, поэтому отсканированные дела и архивы остаются у вас. При первом запуске распознаватель и его языковые данные скачиваются с публичного CDN; содержимое страниц никогда не отправляется.
Отсканированный PDF — это фотография документа. Вы его прочитаете, а больше никто: поиск ничего не находит, копирование ничего не даёт, и любой инструмент, работающий с текстом, остаётся ни с чем. Распознавание текста это исправляет: оно читает форму букв и записывает найденное обратно в файл невидимым слоем, лежащим ровно поверх напечатанных слов. Каждая страница при этом перерисовывается как изображение с разрешением 144 или 216 dpi, и новый файл собирается из этих изображений: он выглядит как оригинал, но скан с более высоким разрешением возвращается в выбранном, а ссылки и поля форм не сохраняются. Зато документ теперь доступен поиску, выделению и преобразованию. Распознавание работает в вашем браузере на любом из двенадцати языков.
Возможности
Распознавание работает в вашем браузере — страницы никуда не загружаются
Двенадцать языков, включая хинди, русский, китайский, японский и арабский
Невидимый текстовый слой ложится поверх изображения каждой страницы, перерисованного с разрешением 144 или 216 dpi
Два качества сканирования: скорость против точности на мелком шрифте
Кроме PDF с поиском, доступен вывод обычного текста
Прогресс по страницам и остановка для длинных документов
Языковые данные скачиваются один раз и кешируются браузером
Как использовать OCR для PDF
Перетащите отсканированный PDF на страницу
Выберите язык, напечатанный на странице, и качество сканирования
Запустите распознавание и следите за продвижением по страницам
Скачайте PDF с поиском или только распознанный текст
Пример
Ввод
1987-minutes.pdf — 8 scanned pages, typewritten English
Результат
1987-minutes-searchable.pdf — pages redrawn at 144 dpi, now with selectable text behind them.
Страницы выглядят так же, перерисованные в выбранном разрешении, а слова теперь есть в файле.
Частые ошибки и устранение неполадок
Распознанный текст полон ошибок. — Распознавание зависит от скана. Попробуйте более высокое качество и проверьте, что язык совпадает со страницей: английские данные на немецкой странице дают ровно такой результат.
Распознавание идёт очень медленно. — Это по-настоящему тяжёлая работа, и она выполняется на вашем процессоре, а не на сервере. Возьмите быстрое качество и делите длинные документы.
Двуязычный документ распознаётся плохо. — За один проход используется один язык. Разделите документ по языкам, распознайте части и объедините результаты.
Рукописный текст не распознан. — Здесь распознаётся печатный и машинописный текст. Рукописи нужна модель совсем другого класса.
Часто задаваемые вопросы
Заменяет ли распознанный текст скан?
Нет. Каждая страница остаётся изображением, перерисованным с разрешением 144 или 216 dpi, а распознанный текст невидимо добавляется за ним, поэтому PDF с поиском выглядит как оригинал. Поскольку файл собирается заново из этих изображений, скан с более высоким разрешением возвращается в выбранном, а ссылки и поля форм не переносятся.
Загружаются ли мои отсканированные страницы для распознавания?
Нет. Распознавание работает в вашем браузере, и страницы его не покидают. При первом запуске браузер скачивает файлы программы распознавания и языковые данные с публичного CDN; из вашего документа ничего не отправляется, а языковые данные кешируются на будущее.
Сколько страниц можно распознать за раз?
До тридцати за проход: распознавание достаточно медленное, чтобы длинные документы удобнее было обрабатывать партиями.
Какое качество выбрать?
Начните с быстрого. Переходите к высокому, когда шрифт мелкий, скан старый или первая попытка вышла неряшливой.
Можно ли применить OCR к PDF, где текст уже есть?
Можно, но смысла нет: сначала попробуйте выделить слово. Если текст уже там, преобразуйте документ напрямую.
Связанные инструменты
PDF в текст — Извлекайте выделяемый текст из PDF в виде обычного текста или Markdown.
Сканирование в PDF — Использует камеру как сканер и сохраняет страницы в PDF.
PDF в Word — Пересобирает PDF в редактируемый документ .docx.
PDF в Excel — Извлекает таблицы из PDF в книгу .xlsx или CSV.
PDF в HTML — Преобразует PDF в чистый индексируемый HTML.
Сжать PDF — Уменьшайте PDF, перерисовывая каждую страницу в JPEG с выбранным качеством и разрешением.