Зробіть скановану PDF придатною для пошуку

Перетягніть скановану PDF і отримайте ті самі сторінки з доданим невидимим текстовим шаром, придатним для пошуку. Розпізнавання відбувається повністю у вашому браузері (локально, офлайн після першого завантаження), нічого не надсилається на сервер.

Як працює PDF OCR · зробити придатним для пошуку

PDF OCR перетворює сканований PDF, тобто файл із зображеннями сторінок без реального тексту, на PDF із можливістю пошуку: ті самі зображення сторінок плюс невидимий текстовий шар, розташований поверх кожного розпізнаного слова. Відкрийте результат у будь-якій програмі для читання PDF, і тепер можна натиснути Ctrl+F, щоб знайти слово, виділити й скопіювати абзац або дозволити пошуковій системі індексувати документ, тобто все те, чого не дозволяє звичайний скан. Саме розпізнавання виконує tesseract.js (той самий самостійно розміщений механізм OCR, який використовує інструмент OCR), а рендеринг сторінок виконує pdf.js; обидва працюють повністю у вкладці вашого браузера, і ваш файл ніколи не завантажується.

Цей інструмент чесно повідомляє, що він робить, а що ні. Він не відтворює макет, таблиці чи шрифти і не є конвертером у редагований документ: видима сторінка залишається зображенням, ідентичним вихідному скану, з прихованим текстовим шаром, доданим під зовнішнім виглядом. Точність розпізнавання залежить від якості скану: ті самі рекомендації щодо роздільної здатності від 200 DPI, високого контрасту й рівного положення сторінки, що застосовуються до будь-якого механізму OCR. Якщо вам потрібен лише простий витягнутий текст, а не PDF із можливістю пошуку, інструмент OCR натомість створює файл .txt і працює швидше саме для цього завдання.

Автор: Bastien Sulyan

PDF OCR · зробити придатним для пошуку: покрокова інструкція

Перетягніть сканований PDF (по одному зображенню сторінки на кожну сторінку, без наявного текстового шару) у зону завантаження.
Оберіть основну мову документа у випадному списку мов.
Якщо ви користуєтеся інструментом уперше, зачекайте на завантаження механізму tesseract.js (це відбувається лише один раз).
Натисніть «Запустити» і зачекайте, поки кожна сторінка по черзі відрендериться й розпізнається.
Завантажте PDF із можливістю пошуку: той самий вигляд, але тепер із текстовим шаром під ним.

Поширені сценарії використання

Сканований договір потрібно зробити придатним для пошуку, щоб знайти конкретний пункт через Ctrl+F, а не читати кожну сторінку.
Пакет сканованих рахунків потрібно додати до архіву документів, індекс пошуку якого читає лише реальний текст PDF.
Друковані підписи сфотографованого чи сканованого бланка потрібно зробити такими, що виділяються, щоб скопіювати абзац у лист електронної пошти.
Бібліотеці сканованих звітів німецькою мовою потрібен повнотекстовий пошук; оберіть німецьку як мову перед запуском інструмента.

Поширені запитання

Чим це відрізняється від звичайного інструмента OCR?

Інструмент OCR витягує простий текст у файл .txt, повністю відкидаючи оригінальний макет і зображення. PDF OCR зберігає оригінальні зображення сторінок PDF точно такими, як вони виглядають, і додає під ними невидимий текстовий шар із можливістю пошуку. Використовуйте OCR, коли потрібні лише слова; використовуйте PDF OCR, коли хочете зберегти документ у форматі PDF, але зробити його придатним для пошуку й виділення.

Чи виглядатиме вихідний PDF інакше, ніж мій скан?

Ні. Кожна сторінка рендериться з вашого вихідного PDF і повторно вбудовується як зображення, пікселем ідентичне оригінальному скану (з поправкою на повторне кодування JPEG). Розпізнані слова малюються поверх із нульовою непрозорістю, тож нічого нового не видно; помітити доданий шар можна лише через пошук тексту чи його виділення.

Чи відтворює інструмент таблиці, колонки або шрифти?

Ні. Результат зберігає сторінку як єдине плоске зображення; невидимий текстовий шар слідує позиціям розпізнаних слів, але не зберігає структуру таблиць, порядок читання багатоколонкового тексту понад те, що визначає tesseract.js, чи оригінальні шрифти. Це шар для пошуку, а не конвертація документа в редагований текст.

Чи надсилаються мої скановані документи кудись під час обробки?

Ні. Після завантаження механізму tesseract.js і мовного пакета з цього сайту (одноразове завантаження в кілька мегабайтів під час першого використання) кожен рендер сторінки і кожен прохід розпізнавання відбуваються повністю у вкладці вашого браузера. Скановані договори, медичні записи чи інші конфіденційні документи ніколи не потрапляють на сервер.

Чому обробка довгого PDF займає багато часу?

Кожна сторінка рендериться в зображення, і OCR запускається для цього зображення окремо; усе це відбувається у вкладці вашого браузера, тому час обробки зростає пропорційно кількості сторінок. Індикатор прогресу відображає реальний прогрес по кожній сторінці, а розмір файлів обмежено 80 МБ, щоб увесь процес укладався в бюджет пам'яті вкладки браузера.

Що робити, якщо мій PDF уже має текст, що виділяється?

Запускати OCR на PDF, який уже містить реальний текстовий шар, не потрібно: відкриття у програмі для читання та натискання Ctrl+F уже працює. Цей інструмент призначений для PDF, що складаються із зображень сторінок без базового тексту, типового результату планшетного сканера чи «друку в PDF» сфотографованого документа.

Схожі інструменти

Тримайте все локально, досліджуйте додаткові інструменти.

Усі PDF-інструменти