OCR, оптическое распознавание символов, читает буквы на изображении страницы и превращает их в текст, по которому компьютер может искать. Отсканированный PDF состоит только из картинок, поэтому в нём нельзя искать, выделить предложение или скопировать число. После OCR можно. Этот инструмент делает это в браузере, без лимита страниц, и ваш документ никуда не загружается.
Сделать отсканированный PDF доступным для поиска
Результат выглядит точно как ваш скан, потому что исходные страницы сохраняются. Под картинкой лежит невидимый слой распознанных слов, каждое на своём месте, поэтому поиск подсвечивает нужное место, а при выделении копируются именно те слова, которые вы видите. Чтобы проверить, есть ли в PDF текст, попробуйте выделить строку: если не получается, нужно распознавание.
Выберите языки для OCR
Распознаванию нужно знать, какой алфавит и какие слова ожидать, поэтому выберите все языки, на которых напечатан документ, например английский и испанский для двуязычной анкеты. Доступно более 100 языков, в том числе китайский, японский, корейский, арабский, иврит и хинди. Каждый язык скачивается один раз, обычно несколько мегабайт, и потом хранится в браузере; объём показывается до начала. Лишние языки, которых нет в документе, замедляют распознавание и снижают точность.
Что влияет на точность OCR
На чистом ровном скане печатного текста с разрешением 300 dpi почти каждое слово распознаётся верно. Точность падает на размытых фото с телефона, при низком разрешении, на перекошенных или изогнутых страницах, бледной печати, цветном фоне, необычных шрифтах и в таблицах с плотными линиями. Рукописный текст в основном не распознаётся. Повышение разрешения в расширенных настройках помогает с мелким шрифтом, но занимает больше времени. Всегда проверяйте важные для вас имена и числа.
Как это работает
Каждая страница отрисовывается как изображение в браузере и читается Tesseract, движком OCR с открытым исходным кодом, который работает на вашем устройстве. Найденные слова и их положение записываются в копию вашего PDF как невидимый текстовый слой и собираются в текстовый файл. Ноутбук обрабатывает страницу за несколько секунд, телефон медленнее. Длинные документы занимают больше времени, но ограничений нет, а оценка до начала подскажет, чего ожидать.
Для чего это нужно и когда не сработает
Отсканированные договоры и письма, старые книги и диссертации, чеки и счета для бухгалтерии, школьные раздаточные материалы, документы из архива и всё, в чём вы потом захотите искать на компьютере.
- Вёрстка не восстанавливается. PDF с поиском сохраняет исходный вид; текстовый файл содержит простой текст. Чтобы редактировать документ, потом воспользуйтесь PDF в Word.
- Рукописный текст в основном не распознаётся.
- PDF, в которых уже есть текст, не нуждаются в OCR; чтобы получить их текст, воспользуйтесь PDF в текст.
- На телефоне во время долгой обработки держите экран включённым, а вкладку открытой, иначе браузер её приостановит.