Распознавание текста в PDF v1.0

OCR PDF добавляет в отсканированный документ текстовый слой и делает его пригодным для поиска, не меняя при этом ни одного пикселя исходной страницы. Инструмент распознаёт 123 языка, сам определяет систему письма по первой странице и показывает, насколько уверенно прошло распознавание. Работает бесплатно, без регистрации и без суточных лимитов. На выходе вы получаете тот же файл: изображение страницы остаётся прежним, а поверх него ложится невидимый текст, по которому работают Ctrl+F, копирование и выделение.

Обзор OCR PDF от DocPivot

Основная функциональность

Инструмент читает каждую страницу PDF и накладывает поверх неё невидимый текстовый слой, не пересобирая документ заново. Страницы отрисовываются через libvips, распознаванием занимается Tesseract 5, а готовый слой накладывает qpdf. Такой слой весит примерно 4 КБ на страницу, поэтому файл почти не прибавляет в объёме. Страницы, где текст уже есть, инструмент пропускает: второй слой заставил бы поиск находить каждую фразу дважды. Если вам нужен не поиск по документу, а сам текст отдельным файлом, для этого есть извлечение текста из PDF.

Кому нужен инструмент

Распознавание сканов чаще всего требуется юристам, бухгалтерам, кадровикам, сотрудникам архивов и продавцам маркетплейсов. Юрист ищет пункт в сканированном договоре, бухгалтер поднимает акт по номеру счёта, а селлер Wildberries или Ozon разыскивает сертификат среди сотни отсканированных PDF.

Проблема и решение

Скан без текстового слоя с точки зрения компьютера это картинка, а не документ: поиск по нему не работает, реквизит не скопировать, а в системе ЭДО такой файл находится только по имени. После распознавания тот же самый PDF начинает отвечать на поисковые запросы, а страница выглядит ровно так же, как до обработки.

Основные преимущества OCR PDF

• Страница не пересобирается. Исходные байты страницы копируются в результат без изменений. При сравнении исходника и результата на рендере 150 dpi разница составила 0 байт из 6 312 900.
• Язык определяется сам. Система письма считывается с первой страницы, и для кириллицы по умолчанию берётся русский. Вручную выбирать язык в большинстве случаев не нужно.
• Понятно, насколько хорошо прочиталось. После обработки показываются число распознанных слов, средняя уверенность и количество сомнительных слов.
• Файл почти не растёт. Текстовый слой занимает около 4 КБ на страницу, так что сжатие PDF после распознавания обычно не требуется.
• Повторная обработка безопасна. Страницы с уже существующим текстом пропускаются, дублей в поиске не появляется.
• Распознанный документ можно чистить по словам. После появления текстового слоя удаление конфиденциальных данных ищет реквизиты по тексту, а не вслепую по пикселям.
• Без аккаунта и без квот. Ни регистрации, ни суточного лимита страниц, ни платной подписки за распознавание.
• Загруженные файлы удаляются в течение 30 минут. Обработка идёт на собственном сервере, сторонние OCR-сервисы и внешние API не задействуются.

Ключевые функции OCR PDF

• 123 языка. Кириллица, латиница, греческий, иврит, арабский, деванагари, китайский, японский, корейский, грузинский и десятки более редких письменностей.
• Поиск по списку языков. Нужный язык находится вводом первых букв, а не прокруткой длинного выпадающего списка.
• Автоопределение системы письма. Первая страница анализируется до начала распознавания, и результат обработки сообщает, что именно было определено.
• Адаптивная бинаризация. Порог подбирается по участкам страницы, а не единый на весь лист. На странице с тёмной плашкой это удвоило объём восстановленного текста.
• Режим высокой детализации. Рендер 300 dpi вместо стандартных 200 для мелкого кегля, выцветших копий, печатей и подписей.
• Наложение вместо пересборки. qpdf кладёт текстовый слой поверх существующей страницы, не перекодируя изображение.
• Пропуск страниц с текстом. Смешанные документы, где часть листов набрана, а часть отсканирована, обрабатываются корректно.
• Отчёт о качестве. Слова, средняя уверенность в процентах и число сомнительных слов выводятся сразу, без ручной вычитки в редакторе.
• До 200 страниц за раз. Скорость составляет примерно от 3 до 6 секунд на страницу.
• Честный отказ для защищённых файлов. PDF с паролем не обрабатывается, и сервис прямо говорит об этом; пароль снимает разблокировка PDF.
• Ответ для уже распознанных документов. Такой файл возвращается без изменений с пометкой, что текст в нём уже есть.
• Основа для дальнейшей обработки. После распознавания становятся осмысленными конвертация PDF в Word и перенос таблиц в Excel, которым нужен текст, а не картинка.

Как работает распознавание в DocPivot

1. Загрузите PDF. Подойдёт скан, фотокопия или собранный из снимков файл; если страницы пока лежат отдельными фото, сначала пригодится сборка JPG в PDF.
2. Проверьте определённый язык. Сервис читает первую страницу и подставляет язык сам, но выбор можно поменять вручную.
3. Выберите качество. Стандартный режим рендерит страницы в 200 dpi, режим высокой детализации в 300 dpi.
4. Дождитесь обработки. Каждая страница распознаётся, и поверх неё накладывается невидимый текстовый слой.
5. Посмотрите отчёт и скачайте файл. Если средняя уверенность низкая, помогает повторный запуск в режиме высокой детализации или с явно указанным языком.

Если страницы в исходнике лежат боком, распознавание пройдёт хуже, поэтому поворот страниц PDF лучше сделать до загрузки, а не после.

Когда использовать OCR PDF

Распознавание нужно в момент, когда документ надо не просто хранить, а искать по содержимому. Практическое правило простое: если в файле не работает Ctrl+F, его стоит прогнать через OCR.

• Подача документов в суд. Приложения к иску, отсканированные по требованиям к электронным образам, после распознавания проще проверять и цитировать.
• Архив бухгалтерской первички. Акты, счета и накладные за прошлые периоды начинают находиться по номеру и контрагенту.
• Тендерная документация. Пакеты по 44-ФЗ и 223-ФЗ часто приходят сканами, а искать по ним приходится вручную.
• Кадровые приказы и трудовые договоры. Старые бумажные документы после оцифровки становятся частью общей поисковой базы.
• Сертификаты и отказные письма для маркетплейсов. Селлеру проще найти нужный документ по коду ТН ВЭД, чем по имени файла.
• Учебные и научные материалы. Отсканированные статьи и главы книг можно цитировать, не перепечатывая абзацы вручную.
• Переписка и входящие письма. Сканы в системах ЭДО становятся доступны внутреннему поиску.
• Многостраничные подборки. Перед распознаванием листы удобно свести в один файл через объединение PDF или, наоборот, разложить по томам через разделение PDF.

Исключение одно: рукописный текст. Распознавание почерка движок не поддерживает на сколько-нибудь применимом уровне.

Примеры использования

Юрист готовит приложения к иску

Контекст: в деле 40 сканированных договоров, нужный пункт где-то в них есть, но искать приходится глазами.

• Договоры сводятся в один PDF и загружаются на распознавание.
• Язык определяется как русский автоматически, ничего выбирать не нужно.
• По полученному файлу работает обычный поиск по тексту.

Результат: поиск формулировки занимает секунды вместо получаса постраничного просмотра.

Бухгалтер поднимает старую первичку

Контекст: налоговая запросила документы по контрагенту за позапрошлый год, в архиве несколько сотен сканов.

• Пачка сканов прогоняется через распознавание одним заходом.
• По ИНН и номеру договора выполняется поиск по всему архиву.
• Найденные файлы отправляются в ответ на требование.

Результат: подборка документов собирается за один рабочий день вместо недели.

Архивист оцифровывает приказы

Контекст: отдел кадров оцифровывает папки приказов за 15 лет.

• Сканирование ведётся в 300 dpi, распознавание запускается в режиме высокой детализации.
• Отчёт об уверенности показывает, какие пачки прочитались плохо и требуют пересканирования.
• Для долговременного хранения файлы переводятся в формат PDF/A.

Результат: архив получает поисковую базу и отбраковывает плохие сканы до сдачи на хранение.

Селлер маркетплейса ищет сертификат

Контекст: площадка запросила декларацию соответствия, документов в папке больше сотни.

• Все PDF с сертификатами распознаются пакетом.
• Поиск ведётся по номеру декларации и коду продукции.
• Нужный файл находится без открытия каждого документа по очереди.

Результат: ответ площадке уходит в тот же день, карточка товара не снимается с продажи.

Что автоопределение языка решает, а что нет

Автоопределение работает с системой письма, а не с языком напрямую, и от этого зависит, насколько точным будет ответ. Часть письменностей принадлежит одному языку, часть используется десятками языков сразу. Сервис показывает, к какой из этих ситуаций относится ваш документ.

Латиница намеренно исключена из сопоставления: угадать английский по латинскому алфавиту означало бы выдать отсутствие результата за принятое решение.

200 или 300 dpi: какой режим выбрать

Стандартного режима в 200 dpi достаточно для чистых сканов, а 300 dpi нужны там, где исходник испорчен. На тесте с ухудшенным сканом 288 dpi и кеглем 8 пунктов режим 200 dpi восстановил 56 слов из 57 и выдумал 2, а режим 300 dpi восстановил все 57 и не выдумал ни одного. На чистом скане оба режима отработали одинаково безошибочно, поэтому стандартный режим и остаётся выбором по умолчанию.

Ориентир для документооборота: требования к электронным образам документов для арбитражных судов предполагают сканирование в 200 или 300 dpi в чёрно-белом или сером режиме. Если скан сделан по этим требованиям, стандартного режима хватит; для копий с копий и выцветших печатей лучше сразу брать высокую детализацию. Уверенность распознавания зависит и от выбранного языка: один и тот же немецкий скан читается с показателем 96% при выборе немецкого и 87% при английском, то есть ошибка с языком становится видимой в цифрах.

Чем распознавание в DocPivot отличается от других сервисов

Главное отличие в том, что происходит со страницей после обработки. В прямом сравнении с PDF24 на одном и том же скане оба сервиса восстановили одинаковые 13 слов, но файл DocPivot остался попиксельно идентичен оригиналу, а PDF24 пересобрал страницу, и она вернулась вдвое меньшего размера.

Поиск по списку из 123 языков тоже отличает сервис от выпадающего списка, который приходится прокручивать. А распознанный текст открывает дорогу к дальнейшей работе: правку текста в PDF уже есть за что зацепить.

Ограничения, о которых стоит знать заранее

Инструмент сознательно не делает нескольких вещей, и лучше знать об этом заранее. Рукописный текст не распознаётся на применимом уровне, и это ограничение движка, а не настроек. Документы с паролем отклоняются с соответствующим сообщением, а предел объёма составляет 200 страниц за запуск. Обработка идёт на сервере, и для документов с персональными данными это стоит учитывать в своих регламентах: файлы удаляются в течение 30 минут, но передача на сервер всё равно происходит.

Часто задаваемые вопросы