Как распознать текст в PDF
Распознавание текста на отсканированных страницах. Нужно, когда PDF — это картинка, и текст из него нельзя ни скопировать, ни найти поиском.
- Загрузите отсканированный PDF
- Выберите язык документа
- Скачайте распознанный текст
Бесплатно
Распознать текст в PDF
Извлеките текст из отсканированного документа. Распознавание работает с русским и английским, результат — обычный текстовый файл.
Файлы доступны только вам по ссылке, которая живёт несколько минут, и не публикуются и не индексируются. Удаляются автоматически через 24 ч — или сразу, кнопкой «Начать заново и удалить файлы».
Какие файлы поддерживаются
Ограничения на размер
- Размер файла: до 50.0 МБ
- Хранение результата: 24 ч
Что ещё можно сделать с документом
Частые вопросы о распознавании текста
Чем распознавание отличается от извлечения текста?
Извлечение берёт текстовый слой, который уже есть в документе. Распознавание нужно, когда слоя нет — то есть страница является картинкой. Если текст в PDF выделяется мышью, распознавание не нужно.
Какие языки поддерживаются?
Русский, английский и их сочетание. Смешанный режим выбирают, когда в документе есть и то и другое — например, договор с англоязычными терминами.
Насколько точно распознаётся текст?
На чётком скане печатного текста — очень точно, ошибки единичны. На фотографии документа с бликами и перекосом точность падает заметно, а рукописный текст не распознаётся вовсе.
Сохранится ли форматирование?
Нет, на выходе обычный текст. Таблицы превращаются в последовательность строк, колонки могут перемешаться. Распознавание извлекает содержание, а не вёрстку.
Почему ничего не распозналось?
Чаще всего скан слишком низкого качества или язык выбран неверно. Для распознавания нужно не меньше 200–300 точек на дюйм; фотография с телефона под углом почти всегда даёт плохой результат.
Можно ли распознать таблицу?
Текст из ячеек будет извлечён, но структура таблицы — нет. Для табличных данных из сканов надёжнее ручная сверка.
Сколько занимает обработка?
Дольше остальных операций: каждая страница обрабатывается отдельно. Десять страниц — обычно полминуты-минута.
Распознаётся ли рукописный текст?
Нет. Используемый движок рассчитан на печатный текст; рукописный требует принципиально других моделей.
Когда нужно распознавание
PDF бывает двух совершенно разных видов, и внешне они неотличимы. Первый сделан из текстового редактора: внутри лежат буквы, их можно выделить, скопировать и найти поиском. Второй получен сканированием или фотографией: внутри лежит картинка, а буквы на ней существуют только для человеческого глаза.
Проверить просто: попробуйте выделить строку мышью. Если выделяется — текстовый слой есть, и нужен инструмент извлечения. Если выделяется прямоугольник изображения — нужно распознавание.
Отсюда и типичные задачи: получить текст из отсканированного договора, найти нужное место в архиве сканов, перенести данные из бумажного документа без ручного перепечатывания.
Что влияет на точность
| Фактор | Хорошо | Плохо |
|---|---|---|
| Разрешение | 300 точек на дюйм | Ниже 150 — ошибки в каждом слове |
| Источник | Сканер | Фото с телефона под углом |
| Освещение | Ровное | Блики, тени от рук |
| Наклон | Прямые строки | Перекос больше пары градусов |
| Шрифт | Печатный, обычного размера | Мелкий, декоративный, рукописный |
| Фон | Белый | Цветная подложка, печати поверх текста |
Как получить лучший результат
- Сканируйте, а не фотографируйте. Разница в точности больше, чем любая настройка распознавания.
- Если снимаете телефоном — держите камеру параллельно листу и следите, чтобы тень от рук не падала на текст.
- Выбирайте язык точно: русский текст, распознанный как английский, превращается в бессмыслицу.
- Не сжимайте документ перед распознаванием — сжатие ухудшает именно те мелкие детали, по которым различаются буквы.
- Ожидайте проверки. Даже хорошее распознавание требует вычитки: цифры и имена собственные ошибаются чаще всего.