Вы сканируете многостраничный отчёт и сохраняете его в PDF. Когда вы открываете его и нажимаете Ctrl+F (или ⌘+F на Mac), ничего не находится — даже слово, которое вы отчётливо видите на первой странице. Документ представляет собой изображение, а изображения не содержат текста, доступного для поиска.
Преобразование отсканированного PDF в доступный для поиска добавляет невидимый текстовый слой позади изображений. Именно этот текстовый слой читают Ctrl+F, системы управления документами и поисковые системы. Внешний вид документа остаётся совершенно неизменным.
Как работает OCR
Программа оптического распознавания символов (OCR) анализирует каждый пиксель каждой страницы и определяет символы, слова и структуру макета. Затем она размещает эти символы в скрытом слое в тех же позициях, что и соответствующий текст на изображении. Результат — PDF, который выглядит идентично исходному скану, но содержит настоящий, выделяемый и доступный для поиска текст под изображениями.
Как сделать ваш PDF доступным для поиска с помощью Pagivo
- ОткройтеСпросить PDFна Pagivo и войдите в систему, если будет предложено.
- Загрузите ваш отсканированный PDF.
- Введите запрос, например:сделать этот PDF доступным для поиска с помощью OCR.
- НажмитеОбработать и скачать. Pagivo выполняет OCR на страницах, где это необходимо, и возвращает документ с добавленным слоем текста, доступным для поиска.
- Откройте результат в любом PDF-просмотрщике и нажмите Ctrl+F. Ваши поисковые запросы теперь будут найдены.
Факторы, влияющие на точность
OCR работает лучше всего на чистых, качественно отсканированных документах. На точность создаваемого текстового слоя влияет несколько факторов:
- Разрешение сканирования.300 DPI — практический минимум для надёжного OCR. Более низкие разрешения дают ненадёжное распознавание символов, особенно для мелкого текста.
- Ровность страницы.Перекошенная или изогнутая страница мешает определению границ символов. По этой причине планшетные сканеры стабильно дают лучшие результаты, чем камеры телефонов.
- Чёткость шрифта.Стандартные печатные шрифты распознаются с очень высокой точностью. Декоративные шрифты, очень мелкий текст (менее 8pt в эквиваленте при 300 DPI) и сильно сжатые сканы дают больше ошибок распознавания.
- Рукописный текст.Большинство OCR-движков обучены на печатном тексте. Ожидайте более низкую точность или практически непригодный результат на рукописных страницах.
Когда нужно редактировать содержимое, а не только искать по нему
OCR создаёт PDF с возможностью поиска — текст становится настоящим, но страница по-прежнему выглядит как скан. Если нужно редактировать содержимое (исправить имя, изменить дату, переформатировать таблицу), необходимо конвертировать PDF в редактируемый формат. Рекомендуемый порядок действий: сначала запустите OCR для создания PDF с возможностью поиска, затем конвертируйте этот PDF в Word с помощьюPDF to Wordдля наилучшего качества конвертации.
Использование Google Drive в качестве бесплатной альтернативы
В Google Drive есть встроенная функция OCR бесплатно. Загрузите PDF в Google Drive, щёлкните по нему правой кнопкой мыши и выберитеОткрыть с помощью Google Docs. Google выполняет OCR и открывает результат как редактируемый документ. Форматирование страницы не сохранится, но текст будет извлечён. Это хорошо подходит для коротких документов, где нужен только текст, а не исходное оформление.