Как пользоваться: OCR PDF
- 1
Добавьте отсканированный PDF
Перетащите файл со сканера или из приложения для сканирования на телефоне. Инструмент проверит, на скольких страницах уже есть выделяемый текст.
- 2
Выберите языки
Английский выбран заранее, язык вашего браузера предлагается в списке. Добавьте до четырёх языков, которые действительно есть в документе.
- 3
Задайте точность и страницы
Режим «Лучше» читает страницы при 300 DPI, «Быстрее» — при 200 DPI. Можно ограничить обработку диапазоном страниц и включить «Пропускать страницы с текстом».
- 4
Скачайте результат
Сохраните PDF с поиском по тексту или скачайте всё распознанное в файле .txt с отметкой перед каждой страницей.
Лимиты и Pro
Бесплатно: PDF до 50 MB, OCR до 200 страниц за один запуск и до 4 языков распознавания одновременно из 47 доступных.
Pro повышает лимит до 5 000 страниц за запуск и до 4 GB на файл; скорость распознавания по-прежнему зависит от процессора вашего устройства. Смотреть Pro
О инструменте «OCR PDF»
На выходе вы получаете исходный PDF, в котором к каждой отсканированной странице добавлен невидимый текстовый слой. Сам скан не пересжимается и не перерисовывается, поэтому выглядит как раньше, но каждое распознанное слово теперь находится на своём месте на странице: Ctrl+F его находит, его можно выделить мышью, а при копировании и вставке получается настоящий текст. Страницы отрисовываются при 300 DPI (в режиме «Быстрее» — 200) и распознаются движком Tesseract с открытым исходным кодом, который работает как WebAssembly прямо в браузере. Несколько страниц обрабатываются параллельно, а для каждой показывается строка состояния.
Страницы, отсканированные боком или вверх ногами, определяются и читаются в правильной ориентации. Страницы с выделяемым текстом можно пропускать, чтобы смешанные документы не обрабатывались дважды. Текстовый слой хранится в Unicode, поэтому результаты на кириллице, греческом, арабском, иврите, хинди, тайском, китайском, японском и корейском можно искать и копировать так же, как латиницу. Экспорт в обычный текст собирает всё распознанное по страницам.
Что можно сделать: сделать архивные письма и договоры доступными для поиска, достать цифры из отсканированного счёта, подготовить скан к конвертации в Word или дать пользователям программ чтения с экрана текст, который можно озвучить.
Точность зависит от скана. Чистый печатный текст при 300 DPI обычно читается почти безошибочно, а рукописный текст, малоконтрастные фото, декоративные шрифты, мелкая печать и страницы, снятые под сильным углом, дают больше ошибок. Сильно наклонённые страницы не выравниваются, а движок читает слова, а не вёрстку, поэтому колонки и таблицы в экспорте превращаются в обычные строки текста.
Конфиденциальность
Отсканированные страницы отрисовываются и распознаются прямо во вкладке браузера движком Tesseract, скомпилированным в WebAssembly. Ни PDF, ни распознанный текст не отправляются на сервер. Движок и выбранные языковые файлы, по 2–15 MB каждый, один раз загружаются с публичного CDN и кэшируются браузером.
Возможности
Поиск и копирование
Распознанные слова расположены поверх скана, поэтому поиск, выделение и копирование работают в Acrobat, Preview, Chrome и других программах для чтения.
Качество скана не меняется
Добавляется только невидимый слой, поэтому печати, подписи и фото сохраняют исходную чёткость, а размер файла почти не растёт.
47 языков
От английского, испанского и немецкого до арабского, хинди, китайского, японского и корейского. Можно сочетать до четырёх сразу.
Повёрнутые страницы
Страница, отсканированная боком или вверх ногами, проверяется в каждой ориентации, и выбирается лучший результат.
Смешанные документы
Страницы с готовым текстовым слоем не трогаются, что экономит время на PDF, отсканированных лишь частично.