Вы сканируете документ, конвертируете его в Word и открываете результат — и видите пустую страницу, единственное встроенное изображение или нечитаемые символы. Это одно из самых частых разочарований при работе с PDF, и причина почти всегда одна и та же: PDF содержит скан, а не реальный текст.
Оригинальный PDF или сканированный PDF: в чём ключевая разница
Существуют два принципиально разных вида PDF-файлов:
- Оригинальные (цифровые) PDFсоздаются программами — Word, Google Docs, Acrobat или драйвером печати. Текст в них хранится как реальные символьные данные внутри файла. Когда вы конвертируете такой PDF в Word, конвертер считывает символы напрямую. Результаты обычно точные, а форматирование в основном сохраняется.
- Сканированные PDFпредставляют собой фотографии страницы. Сканер captures изображение. PDF-программа упаковывает это изображение в PDF-оболочку. Внутри нет текстовых данных — только пиксели. Конвертер PDF в Word, открыв такой файл, видит изображение, а не символы. Он не может создать редактируемый текст из изображения.
Как определить, какой у вас PDF
Откройте PDF и попробуйте выделить слово курсором. Если можно выделять отдельные слова и копировать их в буфер обмена, это нативный PDF. Если курсор выделяет всю страницу целиком одним блоком — или вообще ничего не делает, — это сканированный PDF.
Что вам нужно: OCR
Для преобразования сканированного PDF в редактируемый текст требуется оптическое распознавание символов (OCR) — программное обеспечение, которое анализирует изображение и определяет буквы, слова и структуру абзацев. OCR выполняется как отдельный шаг до конвертации в Word или вместо неё.
Инструменты, способные выполнить OCR для сканированного PDF:
- Google Docs— загрузите PDF на Google Диск, щёлкните правой кнопкой мыши -> Открыть с помощью Google Docs. Google автоматически запускает OCR. Качество варьируется, но хорошее для чистых, качественно отсканированных документов.
- Adobe Acrobat Pro- Инструменты -> Улучшить сканы -> Распознать текст. Точные результаты, но требуется платная подписка.
- Microsoft OneNote— вставьте PDF как изображение распечатки, щёлкните правой кнопкой мыши -> Копировать текст из рисунка. Работает постранично; форматирование не сохраняется.
После обработки документа распознаванием (OCR) его можно конвертировать в Word с гораздо более высокими результатами. ИспользуйтеPagivo's PDF to Wordинструмент после шага OCR, когда вам нужен редактируемый DOCX.
Как получить наилучшие результаты OCR
Точность OCR сильно зависит от качества сканирования. Три самые распространённые причины, по которым OCR выдаёт искажённый текст:
- Слишком низкое разрешение.Всё, что ниже 150 DPI, делает распознавание символов ненадёжным. 300 DPI — это практический минимум для стабильно хороших результатов.
- Наклон страницы.Даже наклон в два градуса делает определение границ символов неоднозначным. В большинстве программ для сканирования есть функция автовыравнивания наклона — включите её, если она доступна.
- Рукописный текст.OCR обучается на печатном тексте. Распознавание рукописного текста — это отдельная, значительно более сложная задача. Стандартные OCR-инструменты выдают плохой результат на страницах с рукописным текстом.
Если вам нужно только искать, а не редактировать
Если вам нужно только находить текст внутри документа, а не редактировать его, вам вообще не нужно конвертировать в Word. В этом случае цель — сделать PDF доступным для поиска, добавив скрытый текстовый слой поверх изображений, а не извлекать текст в новый формат. Как только в PDF появится текстовый слой, Ctrl+F будет нормально работать в большинстве PDF-просмотрщиков. Вы также можете использоватьСпросите PDFи попросить его создать PDF с распознаванием текста (OCR) с возможностью поиска.
Почему качество исходного скана важнее, чем инструмент
Ни одна программа для конвертации не может восстановить детали, которые не были зафиксированы сканером. Размытый или недоэкспонированный скан выцветшей фотокопии даст плохой результат в Word независимо от того, какой инструмент вы используете. Самое эффективное улучшение, которое вы можете сделать, — это всегда повторно отсканировать документ с более высоким разрешением и лучшим освещением, если исходник доступен.