Сделать PDF с распознанным текстом

Добавьте 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.

Перетащите файлы сюда

.pdf · до 300 МБ · до 30 задач в час · файл уходит на наш сервер и удаляется после обработки; результат стирается в течение примерно двух часов

Выберите файлы

Как распознать текст в отсканированном PDF

1
Загрузите отсканированный PDF
Подойдет документ, в котором текст лежит картинкой: до 300 МБ и 500 страниц.
2
Выберите язык документа
Укажите до трех языков, если в документе они смешаны, и решите, нужно ли пропускать страницы, где текст уже есть.
3
Скачайте PDF с распознанным текстом
Те же страницы в том же порядке, но теперь текст можно выделять, копировать и находить через Ctrl+F.

Картинка остается, под ней появляется текстовый слой

OCR не превращает ваш скан в другой тип документа. Он распознает слова на каждой странице и добавляет невидимый, точно выровненный текстовый слой за уже существующим изображением. Откройте результат: он выглядит как оригинал, только наклоненные страницы возвращаются выровненными (об этом ниже). Разница в том, что текст теперь видят поиск, экранный диктор и ваш собственный Ctrl+F. Количество страниц и их порядок не меняются.

Три режима для разных задач

«Пропустить существующий текст» — режим по умолчанию и самый безопасный. Страницы, где текстовый слой уже есть, остаются как есть, распознаются только чистые картинки. «Перераспознать OCR» заменяет уже существующий текстовый слой. Это полезно, если прошлое распознавание вышло неудачным. С выравниванием этот режим не работает, поэтому сначала выключите «Выпрямить наклоненные страницы» в разделе «Еще настройки». «Применить OCR ко всем страницам» игнорирует любой существующий текст и заново распознает каждую страницу как изображение. Это важно, когда текстовый слой формально есть, но он неправильный, испорченный или получен из другого, ошибочного распознавания.

Выровнять, повернуть и почистить перед распознаванием

Скан, сфотографированный под углом или вверх ногами, сильно портит качество распознавания. Поэтому выравнивание и авторотация выполняются по умолчанию еще до того, как Tesseract увидит страницу, и в результат попадает уже выровненная страница. Чтобы оставить страницы как были, выключите оба переключателя в разделе «Еще настройки». Отдельно доступна очистка фона — для сканов с фактурой бумаги или просветом текста с оборота. Она немного увеличивает время обработки, но улучшает читаемость.

Обрабатывается на нашем сервере, удаляется автоматически

Чтобы надежно распознать многостраничный скан, нужен полноценный OCR-движок на сервере, а не упрощенная версия, которая умещается в браузер. Поэтому этот файл загружается на сервер для обработки. Загруженный файл удаляется сразу после обработки. Результат можно скачать в течение часа; с сервера он стирается автоматически в течение примерно двух часов, скачали вы его или нет. Аккаунт не нужен, ручная очистка тоже.

Частые вопросы

Как долго мой файл хранится на сервере?

Загруженный PDF удаляется сразу после обработки. Распознанный PDF можно скачать в течение часа; с сервера он стирается автоматически в течение примерно двух часов, скачали вы его или нет.

Какие языки поддерживаются?

Пятнадцать языков. Можно выбрать до трех одновременно для документов, где в одном файле смешано несколько языков.

В чем разница между режимами «Пропустить существующий текст» и «Применить OCR ко всем страницам»?

Первый оставляет страницы, где текст уже есть, как есть и распознает только страницы-картинки. Второй заново распознает каждую страницу, даже если текст уже есть. Это нужно, когда текущий текстовый слой неправильный или испорчен.

Почему распознавание плохо работает с фото с телефона?

Качество распознавания сильно зависит от того, насколько ровно, четко и равномерно освещен исходник. Включенные выравнивание и поворот помогают, но фото с сильными тенями, размытием или большим наклоном все равно распознается хуже, чем скан с планшетного сканера.

Меняется ли внешний вид страниц?

Только там, где это нужно для распознавания. По умолчанию наклоненный скан выравнивается, а страница, лежащая на боку или вверх ногами, поворачивается, и в результат они попадают уже такими. Выключите «Выпрямить наклоненные страницы» и «Автоповорот страниц» в разделе «Еще настройки», чтобы оставить страницы как были; режим «Применить OCR ко всем страницам» к тому же превращает каждую страницу в изображение.

Можно ли получить обычный текст вместо PDF?

Да. Включите опцию отдельного текстового файла, и вместо одного PDF скачается ZIP с PDF и простым .txt-файлом.

Почему здесь нет опции PDF/A?

Для PDF/A есть отдельный инструмент «PDF в PDF/A». Он учитывает дополнительные архивные требования (встроенные шрифты, цветовые профили, проверка), которые простому OCR не нужны.