Распознать текст в сканированном PDF
Если в PDF не выделяется ни одно слово, это скан: набор фотографий страниц без текста внутри. Загрузите его сюда, и OCR распознает каждую страницу в простой текст, который можно копировать, искать и редактировать.
Изображение в текст
или перетащите сюда файлы PDF, JPG, JPEG … ·
Макс. 95 MB на файл· До 20 файлов· Удаляются через 30 минут
Файлы обрабатываются на наших серверах и удаляются через 30 минут.
Для страниц, где смешаны два языка, например хинди с английскими словами. В остальных случаях оставьте «Нет»: дополнительный язык немного снижает точность.
«Сохранить макет» оставляет колонки, абзацы и таблицы на своих местах. «Сплошной текст» выдаёт один непрерывный блок текста, который проще вставить в формы.
Для PDF и многостраничных TIFF: распознать все страницы, только первую или диапазон.
Страницы для распознавания, например 1-3, 5, 8-10.
Как пользоваться инструментом
- 1
Загрузите сканированный PDF
Добавьте PDF или до 20 файлов, каждый размером до 95 MB. Многостраничные TIFF-сканы и одностраничные изображения тоже подходят.
- 2
Укажите язык и страницы
В поле Язык документа выбран английский, а в поле Вывод — Обычный текст (.txt). Для других документов смените язык, а в разделе Расширенные настройки с помощью параметра Страницы можно распознать только часть длинного файла.
- 3
Распознайте текст
Нажмите Распознать текст. Сначала страницы выравниваются и поворачиваются правильной стороной, затем читаются по порядку в один текстовый файл.
Сканированный PDF и PDF с текстовым слоем: почему нет текста
- PDF только из изображенийотсканированный PDF · PDF без поиска по тексту · плоский PDF
- PDF, страницы которого хранятся как картинки; обычно его создаёт сканер, функция сканирования в почту на копире или приложение для сканирования на телефоне. Он выглядит как документ, но внутри нет кодов символов, поэтому ничего нельзя выделить, найти или озвучить.
Обычный PDF, экспортированный из Word или браузера, содержит текстовые объекты: каждое слово хранится как символы со шрифтом и позицией, поэтому поиск и копирование работают. Сканер всё это пропускает и сохраняет одно изображение на страницу. Для компьютера страница с вашим договором — такие же данные, как фото кота.
OCR восстанавливает недостающий слой. Изображение страницы очищается, находятся строки и слова, а форма каждого символа сопоставляется с алфавитом выбранного Язык документа. Эта страница возвращает результат в виде обычного текста. Другой распространённый результат — PDF с возможностью поиска: скан остаётся видимым, а распознанные слова добавляются под ним как невидимый текст, и такой режим отображения стандарт PDF, ISO 32000, допускал всегда.
Бесплатный Adobe Acrobat Reader умеет показывать скан, но не выполняет OCR; распознавание входит в платные версии Acrobat. Конвертер удобен, когда слова нужны один раз и не хочется оформлять ещё одну подписку. Если сканы всё равно получаются плохими, в нашем руководстве как сканировать документы в PDF описаны настройки сканера и телефона.
Разрешение скана для распознавания текста в PDF
| Size | Pixels | cm | in | DPI | Fits |
|---|---|---|---|---|---|
| Letter | 1700 × 2200 | 21,59 × 27,94 | 8,5 × 11 | 200 | Только крупная чистая печать; мелкий текст распознаётся наугад |
| Letter | 2550 × 3300 | 21,59 × 27,94 | 8,5 × 11 | 300 | Стандарт для OCR печатных страниц |
| A4 | 2480 × 3508 | 21 × 29,7 | 8,27 × 11,69 | 300 | Та же детализация на бумаге A4 |
| A4 | 3307 × 4677 | 21 × 29,7 | 8,27 × 11,69 | 400 | Сноски, мелкий шрифт, старые страницы с пишущей машинки |
Когда распознавание скана PDF дает плохой результат
Слова превращаются в бессмыслицу по всей странице
Вероятно, страница на другом языке или в другой письменности. Установите Язык документа в соответствии с ней и добавьте Распознавать также для второго языка на той же странице.
Строки обрываются посреди предложения, а слова заканчиваются переносами
Это следует переносам строк в печатном оригинале. Выберите Сплошной текст в Расположение текста, чтобы получить один непрерывный блок текста; оставшиеся дефисы нужно быстро заменить через поиск и замену.
В текстовом файле нет некоторых страниц
Проверьте, что в Расширенные настройки для Страницы выбрано «Все страницы». Диапазон вроде 1-3 намеренно ограничивает распознавание.
Документ PDF (Portable Document Format)
PDF создан Adobe в 1993 году и в 2008 году стал открытым стандартом ISO 32000. Он фиксирует текст, шрифты, изображения и вёрстку, поэтому документ выглядит одинаково на любом экране и принтере. PDF может содержать формы, подписи, ссылки, вложения и текст с возможностью поиска, а вариант PDF/A используется для долговременного архивирования. Из-за фиксированной вёрстки PDF трудно редактировать, а отсканированные PDF содержат только изображения, если не применить OCR. Их открывает любой браузер и любая операционная система.
- Сжатие
- –
- Прозрачность
- Да
- Анимация
- Нет
- Год появления
- 1993 · Adobe
TXT
Обычный текст
Файл TXT содержит только простые символы без форматирования, шрифтов, изображений и вёрстки. Современные текстовые файлы обычно хранятся в кодировке UTF-8, которая охватывает все языки, хотя старые файлы могут использовать другие кодировки и показывать нечитаемые символы. Обычный текст весит очень мало, никогда не устаревает и открывается на любом устройстве — от телефонов до серверов. В нём не может быть полужирного текста, таблиц или картинок, поэтому структуру приходится передавать отступами или простой разметкой.
- Сжатие
- –
- Прозрачность
- –
- Анимация
- –
- Год появления
- –
В отсканированном PDF хранятся картинки страниц, поэтому слова нельзя скопировать, найти или проиндексировать; после распознавания в файл TXT скан становится текстом, с которым можно работать в редакторе, переводчике или строке поиска.
Вопросы о распознавании текста в сканированном PDF
Как понять, сканированный у меня PDF или в нем уже есть текст?
Попробуйте выделить предложение или найти слово через Ctrl+F или Command+F. Если курсор выделяет всю страницу целиком, как картинку, а поиск ничего не находит, это скан без текстового слоя, и нужен OCR. Если слова выделяются обычным образом, текст уже есть, и PDF в TXT извлечёт его точно, без распознавания.
Что лучше получить: простой текст или PDF с поиском по тексту?
Обычный текст нужен, чтобы использовать слова повторно: цитировать, переводить, вставлять в базу данных или письмо. PDF с возможностью поиска сохраняет внешний вид скана, а текст прячет под ним, что подходит для архивов и договоров. Если нужен второй вариант, воспользуйтесь OCR PDF.
Какое разрешение скана дает лучший текст из PDF?
300 DPI для обычных печатных страниц. В документации Tesseract сказано, что точность падает для текста мельче примерно 10 pt при 300 DPI, поэтому для сносок и мелкого шрифта лучше 400 DPI. 600 DPI редко помогает OCR и увеличивает PDF в несколько раз.
Можно ли распознать текст в скане машинописной страницы или старой книги?
Обычно да. Шрифт пишущей машинки и книжный шрифт — это обычные печатные буквы, а Выровнять страницы исправляет наклон, который часто возникает при сканировании переплетённой книги. Очень блёклые страницы лучше читаются с включённым Повысить контрастность.
Почему текст со страницы в две колонки получается перемешанным?
Колонки разделяются, если в Расположение текста выбрано «Сохранить расположение» (так по умолчанию). Если строки двух колонок всё равно чередуются, значит, промежуток между ними на скане узкий; обычно помогает более чистый скан с ровными страницами.
- Распознать текст в PDFДобавьте в отсканированный PDF текстовый слой для поиска и выделения или извлеките текст в Word или TXT. 34 языка, диапазоны страниц, до 20 файлов, бесплатно.
- Конвертер PDF в TXTКонвертируйте PDF в TXT онлайн бесплатно. Цифровые страницы сохраняют точные символы, сканы проходят OCR, на выходе один .txt в UTF-8 на каждый PDF.
- Распознать текст с картинки (OCR онлайн)Бесплатный OCR онлайн для фото, скриншотов и сканов PDF. Скопируйте текст или сохраните Word, PDF с поиском или Markdown. Что OCR читает хорошо, а что нет.
- Конвертировать PDF в WordКонвертируйте PDF в Word, который можно редактировать. Текст собирается в обычные абзацы, сканы распознаются OCR на 34 языках, до 20 файлов за раз.
- Изображение в WordПереведите скриншоты, сканы и фото в редактируемый документ Word. 34 языка, страницы на нескольких языках и аккуратный почерк. Бесплатно, без регистрации.