Как сделать отсканированный PDF доступным для поиска с помощью OCR

Как понять, что PDF — это скан?

Попробуйте выделить фразу мышью или найти слово через Ctrl+F (Cmd+F на Mac). Если ничего не выделяется, а поиск ничего не находит, хотя слово отчётливо видно, страница является изображением.

Так бывает с документами, пропущенными через сканер, и с фотографиями, превращёнными в PDF.

Сделать PDF доступным для поиска за 4 шага

1. Откройте инструмент «OCR PDF» и выберите отсканированный PDF.
2. В пункте «Язык документа» выберите язык текста. Вариант «французский + английский» подходит документам, где смешаны оба языка.
3. Выберите результат: «PDF с поиском», чтобы сохранить прежний вид с выделяемым текстом, или «Текстовый файл», чтобы получить только распознанный текст постранично в файле .txt.
4. Нажмите «Запустить OCR» и скачайте файл. Его имя заканчивается на «_ocr».

При варианте «PDF с поиском» изображения страниц не меняются: распознанный текст размещается невидимо под каждой строкой, готовый к поиску и копированию.

Как добиться хорошего распознавания

• Начинайте с чёткого контрастного скана: размытый или бледный текст распознаётся плохо.
• Переверните страницы как надо через «Повернуть PDF» до запуска OCR.
• Выбирайте правильный язык: это заметно улучшает распознавание букв с диакритикой.
• Оставьте отмеченным пункт «Пропускать страницы, где текст уже есть»: в смешанном документе обработаются только отсканированные страницы.
• Перепроверяйте важные числа и имена: OCR может ошибаться, и он рассчитан на печатный текст, а не на рукописный.

Если текст не распознан, PDFRoll сообщит об этом: проверьте выбранный язык и качество скана.

До и после OCR

Начинаете со снимков, сделанных телефоном? Сначала воспользуйтесь «Сканировать в PDF», который отбеливает фон и делает текст чётче, затем пропустите полученный PDF через «OCR PDF».

Сканы часто тяжёлые. Если файл нужно уменьшить, сжимайте его до OCR, желательно с «Рекомендуемым сжатием»: сжатие после может снова превратить страницы в изображения и стереть распознанный текст, а слишком сильное сжатие до OCR делает символы менее чёткими, и распознаются они хуже. Когда текст распознан, «PDF в Word» позволит переработать его в редактируемом документе.

А как же конфиденциальность?

Распознавание выполняет ваш браузер. В первый раз загружается модуль распознавания (несколько МБ), но сам документ никогда не покидает устройство. Дальше рассчитывайте на несколько секунд на страницу, в зависимости от мощности устройства.