OCR PDF

Отсканированный PDF — это просто стопка фотографий. По нему нельзя искать, из него не скопировать абзац и не вытащить номер договора. Инструмент OCR от PDFora читает текст внутри этих изображений страниц с помощью Tesseract — того самого движка с открытым исходным кодом, которому доверяют серьёзные системы документооборота, — и отдаёт распознанный текст аккуратным файлом .txt, по которому можно искать, который можно править и использовать дальше.

Вот чем этот OCR отличается от прочих: он работает целиком внутри вашего браузера. Почти все онлайн-сервисы распознавания отправляют ваш скан на сервер. Наш — нет. Распознавание идёт на вашем собственном устройстве, поэтому отсканированный паспорт, подписанный договор аренды или лист с результатами анализов никуда не передаётся. Для таких документов это не приятное дополнение, а весь смысл.

Сейчас инструмент распознаёт английский, хинди, испанский и французский, и язык вы выбираете перед запуском. Он бесплатный: без регистрации, без водяных знаков и без лимита страниц. Скорость распознавания зависит от вашего устройства, ведь всю работу делает ваш процессор, но обычная страница на современном ноутбуке занимает всего несколько секунд.

Как распознать текст в PDF онлайн

1. Откройте инструмент OCR для PDF на PDFora в современном браузере.
2. Перетащите отсканированный PDF в область загрузки или нажмите, чтобы выбрать его на устройстве.
3. Выберите язык документа: английский, хинди, испанский или французский. Правильный язык кардинально повышает точность.
4. Нажмите «Распознать текст» и дайте Tesseract локально обработать каждую страницу в браузере.
5. Следите за прогрессом по мере готовности страниц; длинным документам нужно чуть больше времени.
6. Скачайте извлечённый текст файлом .txt и свободно ищите по нему, правьте и копируйте.

When to use this tool

• Вытащить текст из отсканированного судебного решения на 60 страниц, чтобы найти конкретный пункт поиском, а не вычитывать всё подряд.
• Извлечь цитаты из сфотографированных страниц учебника для научной работы, не перепечатывая их вручную.
• Оцифровать папку старых бумажных счетов, чтобы суммы и номера документов стали доступны для поиска.
• Превратить отсканированный правительственный циркуляр на хинди в редактируемый текст для перевода или краткого пересказа.
• Восстановить текст документа, от которого уцелела только распечатка: отсканировать её и прогнать через OCR.
• Сделать раздаточные материалы совещаний и печатные отчёты пригодными для цитирования в письмах, забирая из них текст вместо скриншотов.

Tips for the best results

• Подавайте на вход самый чистый скан, какой у вас есть. 300 DPI, хорошее освещение и тёмный текст на светлом фоне дают куда лучший результат, чем тусклое фото с телефона.
• Сначала выровняйте скан. Перекошенные страницы сбивают распознавание символов, поэтому прогоните наклонённый документ через инструмент выравнивания PDFora перед OCR.
• Ставьте язык, соответствующий документу. Испанское письмо, прогнанное через английскую модель, даст исковерканный результат, и наоборот.
• На телефонах и старых ноутбуках работа идёт медленнее. Движок использует процессор вашего устройства, так что скан на 100 страниц — задача для настольного компьютера, а не для планшета пятилетней давности.
• Перепроверяйте цифры. OCR очень хорош, но не безупречен, и числа в номерах счетов или итоговых суммах заслуживают беглой ручной проверки, прежде чем на них полагаться.