Что такое OCR и когда он нужен: замеры на скане в 20 страниц

OCR простыми словами

Отсканированная страница — это фотография бумаги. Вы видите слова, но для компьютера это лишь серые точки, как в любой другой картинке. OCR, сокращение от optical character recognition, то есть оптическое распознавание символов, находит на этой картинке очертания букв и превращает их в настоящий текст.

В PDF этот текст попадает в невидимый слой за картинкой, и каждое слово располагается там, где оно видно на скане. Сама страница остается картинкой. Но теперь слово можно выделить и скопировать, Ctrl+F его находит, а программе экранного доступа есть что читать.

Без такого слоя скан закрыт для вспомогательных технологий. Консорциум W3C пишет руководства по доступности веба, и в его технике для отсканированных PDF, которая есть только на английском, сказано: «Вспомогательные технологии не могут прочитать или извлечь слова». Когда исходного файла уже нет, решение, которое там названо, — OCR.

Три проверки: нужен ли OCR вашему PDF

Откройте PDF в любом просмотрщике и попробуйте выделить одно слово. Если слова подсвечиваются по одному, в файле уже есть текст. Если при перетаскивании рисуется рамка поверх всей страницы или ничего не происходит, страница — картинка.

Затем поищите слово, которое видно на странице, сочетанием Ctrl+F или Cmd+F на Mac. Если слово перед глазами, а поиск его не находит, за ним нет текста. Если скопированная строка вставляется бессмыслицей, слой обычно есть, но неправильный.

«OCR PDF» сам делает ту же проверку. Под предпросмотром в таблице «Проверка готового файла» есть строка «Текстовый слой, стр. 1» до и после — для страницы, которая сейчас открыта. На нашем скане там было «нет» до и «да» после; на PDF, напечатанном с веб-страницы, — «да» с самого начала.

Что OCR изменил в скане на 20 страниц

23 октября 2026 года мы собрали тестовый скан из 20-страничного текстового документа на 5548 слов. Каждая страница стала серым JPEG 1700 × 2200 пикселей при 200 ppi, без текста в файле. Скан весил 8 302 321 байт, а инструмент показывает это как 7,9 МБ.

Мы запустили OCR PDF в Chrome на Mac с настройками по умолчанию: английский язык, «Пропустить существующий текст», «Выпрямить наклоненные страницы» и «Автоповорот страниц». Результат был готов через 50,7 секунды после нажатия «Распознать текст», включая загрузку. На странице появилось сообщение: «По отчёту сервера: текст найден на 20 из 20 стр.»

Затем мы извлекли текст из результата и сравнили его с оригиналом слово за словом. Из 5548 слов совпали 5536, то есть 99,78 процента. Промахи пришлись на числа, например 4, 7 и 636, и еще на одно слово. Поиск слова «warranty» нашел 243 совпадения — столько же, сколько в исходном документе.

Страницы остались картинками, все 20 в прежнем порядке. Текстовый слой не утяжелил файл: он вернулся размером 7,6 МБ, на 4 процента легче скана. Тегов для заголовков и порядка чтения в нем не было — техника W3C добавляет их отдельным шагом. Наш скан был чистым печатным текстом; фото с телефона и рукописный текст мы не проверяли.

Наклоненная страница и что происходит с картинками

Сканы часто выходят кривыми, поэтому мы еще и повернули две страницы на 3 градуса. OCR PDF их выровнял: по замеру в ImageMagick наклон ушел с 2,96 градуса до нуля. Все 549 слов на этих двух страницах совпали, а задание заняло 15,8 секунды.

У выравнивания есть цена. При включенном «Выпрямить наклоненные страницы» картинка каждой страницы была заново сохранена в JPEG, в том числе ровных. Затем мы выключили эту настройку и «Автоповорот страниц» в разделе «Ещё настройки». Те же две ровные страницы вернулись с картинками байт в байт как при сканировании. Поэтому выключайте обе настройки, когда файл должен сохранить исходные изображения.

Когда OCR не нужен

В большинстве PDF, сделанных на компьютере, текст уже есть: например, если файл экспортирован из Word или веб-страница напечатана в PDF из браузера. Наш 20-страничный документ был как раз таким, напечатанным из Chrome. OCR PDF вернул его за 2,1 секунды с сообщением: «В этом PDF уже есть текстовый слой, поэтому ничего не добавлено». Вместо этого сообщение предлагало режим «Перераспознать OCR».

«Перераспознать OCR» — для текстового слоя, который неправильный, а не для того, который работает. Если поиск и копирование уже работают, не трогайте слой.

Чтобы достать слова из PDF, в котором текст уже есть, подойдет «PDF в текст»: он читает файл в браузере, не загружая его. А на фото или рисунке без слов OCR просто нечего искать.

Границы OCR PDF

OCR PDF работает на нашем сервере, а не в браузере. Файл загружается, когда вы нажимаете «Распознать текст», и удаляется, как только задание завершено. Результат можно скачать в течение часа, а с сервера он стирается примерно в течение двух часов.

Одно задание принимает один PDF до 300 МБ и 500 страниц. В час можно запустить 30 заданий во всех инструментах, которые работают на нашем сервере. Более длинную книгу распознают по частям: в нашем руководстве по сканированию книги разобраны камера, части и три режима.

Инструмент читает любой из 15 языков меню, до трех сразу. Перед «Распознать текст» выберите язык скана в поле «Язык документа»: русская страница, распознанная как английская, вернется латинскими буквами. Если вместо PDF нужен редактируемый документ, «PDF в Word» распознает скан на языке, выбранном в поле «Язык OCR» в разделе «Больше настроек».

Картинке или скриншоту PDF вообще не нужен. «Изображение в текст» читает JPG, PNG и другие изображения прямо в браузере и выдает файл .txt. OCR PDF — один из более чем 200 бесплатных инструментов PulsarKit, без аккаунта и без подписки.