Сканировать книгу в PDF с поиском по тексту

Камера телефона и планшетный сканер решают разные задачи, и ни один из них сам по себе не делает результат пригодным для поиска по тексту.

Автор: PulsarKit · Опубликовано 8 сентября 2026 г. · Обновлено 16 октября 2026 г.

Фото страницы — это еще не скан

Если держать телефон над столом, камера видит не прямоугольник, а трапецию. Она фиксирует цвет комнаты вместе со страницей, а не чисто белую бумагу. Чтобы превратить такое фото в то, что похоже на настоящий скан, нужно найти в кадре четыре угла листа, математически убрать искажение перспективы, чтобы страница стала ровной, а затем применить локальный порог яркости, который сделает бумагу белой, а чернила черными. Так вы получите не серую, чуть покоробленную фотографию листа на столе, а чистое изображение страницы. Сделать снимок почище недостаточно: это отдельная коррекция, которая применяется уже после съемки, к готовому кадру.

По одной странице, с коррекцией по ходу

Автоматический поиск углов правильно находит трапецию почти всегда, но ошибается на пестрых скатертях, темном дереве или когда страница выходит за край кадра. С крупными книжными форматами это обычная ситуация, ее лучше ожидать заранее, а не считать сбоем. Когда автомат промахнулся, перетащите четыре ручки на настоящие углы листа. Так правится одна конкретная страница, а не весь пакет целиком. Собранные таким образом страницы попадают в список, который можно переставлять местами, поворачивать на четверть оборота или переснимать, а страницу, которая все равно оказалась не на своем месте, потом можно передвинуть в «Упорядочить PDF». Пересъемка заменяет только один лист, не заставляя перепроходить всю стопку с самого начала.

Отсканированный PDF все еще не ищется

Когда все страницы сфотографированы, исправлены и собраны в один PDF в «JPG в PDF», результат остается стопкой картинок. Под ними нет текстового слоя, поэтому в документе ничего нельзя выделить, скопировать или найти через поиск. Это часто удивляет тех, кто считает, что «отсканировать в PDF» и «PDF с поиском по тексту» — одно и то же. Это не так, и разрыв между ними закрывает OCR. Запуск «OCR PDF» по готовому скану добавляет невидимый, точно выровненный слой распознанного текста за изображением на каждой странице. Внешне страница не меняется, но слова на ней уже можно выделять, копировать и находить поиском.

Сделать распознавание точным с первого раза

Точность распознавания сильно зависит от того, насколько плоской, ровно освещенной и правильно выровненной была исходная картинка. Для этого и нужен этап сканирования и исправления перспективы. Прямо выровненная страница с аккуратным порогом яркости распознается гораздо лучше, чем снимок под углом при плохом свете. Автоматическое выпрямление и авторотация перед запуском OCR исправляют большую часть оставшегося наклона. Выберите правильный язык, или до трех, если документ их смешивает. Распознавание, настроенное не на тот алфавит, дает заметно худший результат даже на визуально чистых страницах.

Решить заранее: пропустить, перезапустить или принудительно распознать

Пакет отсканированных страниц редко бывает однородным: на части листов уже может быть текстовый слой от прошлой обработки, и повторное распознавание таких страниц тратит время без пользы. Оставлять страницы с уже готовым текстом как есть и запускать OCR только на чистых картинках — безопасный вариант по умолчанию для смешанного пакета. Если известно, что существующий текстовый слой плохой, например его исказил неудачный прошлый проход OCR, принудительно игнорируйте старый текст и заново распознайте все страницы по изображениям. Это единственный вариант, который исправит проблему, а не оставит неверный слой под вторым, неиспользуемым.

Частые ошибки при съемке

Большинство плохих сканов становятся плохими еще до того, как их увидит программа. Съемка под одной лампой кладет на страницу тень телефона или вашей руки, и никакой порог яркости не отличит эту тень от чернил; дневной свет из окна или две лампы с противоположных сторон убирают проблему в зародыше. Глянцевая бумага отбрасывает свет обратно в объектив белым пятном, которое стирает текст под собой, поэтому наклоните книгу или передвиньте лампу, пока блик не уйдет со страницы. Толстая книга сама по себе никогда не лежит плоско: текст у корешка изгибается и сжимается, и камера записывает его смазанным. Прижмите соседнюю страницу рукой или грузом и снимайте по одной странице, а не разворот целиком, тогда каждая строка останется достаточно прямой для распознавания. Положите книгу на однотонную поверхность, контрастную бумаге: пестрая ткань и темная древесная текстура — ровно то, что сбивает поиск углов. Держите телефон параллельно странице, а не под углом, и не уменьшайте фото перед распознаванием: распознавание читает тонкие штрихи букв, а уменьшенная копия теряет их первыми. И наконец, снимайте в порядке чтения и в конце сверьте число страниц: пропущенную страницу куда проще переснять сейчас, чем обнаружить после прохода OCR.

Что происходит с файлом во время распознавания

Две половины этой работы выполняются в разных местах. Сборка страниц в «JPG в PDF» и исправление их порядка в «Упорядочить PDF» целиком происходят в браузере; фото никуда не загружаются. С распознаванием иначе: многостраничному скану нужен настоящий движок OCR, поэтому «OCR PDF» отправляет собранный PDF на наш сервер по зашифрованному соединению, до 300 МБ и 500 страниц на задание. Загруженный файл удаляется сразу после завершения задания, а результат доступен для скачивания час и стирается примерно в течение двух часов независимо от того, скачали вы его или нет. Страниц возвращается столько же и в том же порядке, у каждой появляется невидимый текстовый слой; «Выпрямить наклоненные страницы» и «Автоповорот страниц» включены по умолчанию и заодно выравнивают перекошенные и перевернутые страницы. Книга, снятая на телефон, упирается в предел размера гораздо раньше, чем в предел страниц: примерно при трех мегабайтах на снимок сто страниц уже занимают 300 МБ. Поэтому собирайте ее частями примерно по сто фото или разрежьте готовый PDF в «Разделить PDF» и распознавайте каждую часть отдельно; «Объединить PDF» потом соединит результаты по порядку, до 500 МБ в сумме. Языки выбирайте заранее, до трех для книги, где они перемешаны, и включите дополнительный текстовый файл, чтобы получить распознанные слова обычным .txt: это самый быстрый способ проверить пробную страницу, прежде чем запускать остальное.

Инструменты из этой статьи

OCR PDFДобавьте в отсканированный PDF слой с текстом на 15 языках. Текст можно выделить, а наклоненные и повернутые набок страницы выравниваются, если это не отключить. Работает на нашем сервере, а файлы удаляются автоматически в течение примерно двух часов.

JPG в PDFСоберите папку JPG-фото в один PDF в вашем порядке, без повторного сжатия ни одного пикселя.

Упорядочить PDFРасставьте страницы в нужном порядке. По пути поверните, продублируйте или удалите отдельные страницы.