Один из самых частых вопросов: почему после сканирования документа в PDF не получается выделить текст, а поиск ничего не находит? Файл выглядит как текст, но ведёт себя как картинка. Так и есть – это картинка.
Два совершенно разных PDF
Под одним и тем же названием «PDF» скрываются две разные вещи.
Цифровой PDF создан на компьютере – сохранён из Word, через драйвер принтера или из другой программы. В нём есть настоящий текст: буквы, шрифты, строки. В таком файле работает поиск, текст можно выделить и скопировать.
Отсканированный PDF – это фотография бумаги, вложенная в оболочку PDF. Для компьютера там нет никаких букв – только набор точек. Поэтому поиск ничего и не находит: искать попросту негде.
Здесь в дело вступает OCR
OCR (optical character recognition, по-русски – оптическое распознавание символов) – это технология, которая распознаёт буквы на изображении и превращает их в текст. Программа анализирует изображение и определяет: здесь буква «а
Результат обычно сохраняют одним из двух способов.
PDF с возможностью поиска. Документ выглядит точно так же, как скан, – та же картинка, те же печати и рукописные пометки, – но под изображением спрятан невидимый текстовый слой. Документ выглядит как оригинал, а поиск в нём работает. Для архивов это почти всегда правильный выбор.
Редактируемый файл. Скан превращается в файл Word, Excel или другого формата, где текст уже настоящий и его можно править. Программа старается восстановить не только буквы, но и макет: колонки, таблицы, заголовки.
Почему в одном случае текст распознаётся отлично, а в другом – плохо
Качество распознавания зависит не только от программы. На практике решают несколько вещей.
- Разрешение сканирования. 300 dpi – тот минимум, с которого начинается нормальный результат. Скан в 150 dpi человеку кажется читаемым, но для программы мелкие буквы сливаются.
- Перекос и перспектива. Страница, снятая на телефон, почти всегда получается под углом. Хорошие программы исправляют это автоматически – в FineReader есть инструменты подготовки изображения, которые убирают фон и выравнивают перспективу перед распознаванием.
- Язык. Если программе не указан правильный язык, буквы с диакритикой и нелатинские символы превращаются во что попало. FineReader распознаёт 198 языков и, что ещё важнее, позволяет их сочетать – в документе может быть одновременно, например, русский и английский текст.
- Тип шрифта. Печатный текст распознаётся хорошо. Рукописный – нет, и ожидать этого не стоит.
Нужно ли проверять результат
Нужно, но не целиком. Нормальная программа сама показывает, какие места показались ей сомнительными, – FineReader при проверке выводит только те символы, которые могли быть распознаны неверно. Просмотреть десять сомнительных мест гораздо быстрее, чем перечитать весь документ.
Отдельная история – таблицы и цифры. Если вы сканируете счета или отчёты, где важна каждая цифра, проверьте суммы. Ошибки в распознавании букв встречаются редко, а вот путаница между «0
Практическая польза, которую часто не замечают
Когда в архиве появляется поиск, меняется сам способ работы. Больше не нужно помнить, в какой папке что лежит, – достаточно ввести фамилию или номер договора. Документы, которые никто не может найти, практически бесполезны, даже если они сохранились в архиве.
Вторая польза – размер файлов. Сканы занимают много места, а после обработки со сжатием тот же документ может уменьшиться в несколько раз и при этом остаться читаемым.
Что делать прямо сейчас
Если у вас есть архив сканов, в которых не работает поиск, – возьмите один самый плохой документ и попробуйте. Не демонстрационный файл с сайта, а тот самый неудачный скан, из-за которого и возникают вопросы. Пробную версию можно скачать бесплатно, и результат за десять минут скажет больше, чем любое описание.
Когда текст уже распознан, его можно и править – как это сделать, мы рассказываем в статье как редактировать отсканированный документ.
Распознавание текста (OCR) есть во всех версиях ABBYY: FineReader PDF Standard и FineReader PDF Corporate – для компьютеров с Windows, FineReader PDF for Mac – для Mac. Лицензию можно купить в нашем магазине, ключ присылается по электронной почте.