PDF с изображениями, текстом или и тем и другим? Сначала проверьте, затем запускайте

Откройте PDF в программе для просмотра PDF или в браузере. Затем найдите слово, которое вы видите на странице, например фамилию в шапке письма. Попробуйте также выделить и скопировать строку. Если поиск ничего не находит и выделить ничего не удаётся, страница состоит только из изображения. Именно для этого и предназначено распознавание текста. Если же весь текст в PDF уже можно искать и копировать, распознавание обычно не требуется.

Как распознавание текста обрабатывает страницы вашего PDF
Что содержит страница	Как это определить	Что происходит
Только изображение, например скан или фотографию	Поиск ничего не находит, текст нельзя выделить.	Текст распознаётся и добавляется в виде невидимого текстового слоя.
Только выделяемый текст, например экспортированный из текстового редактора	Поиск и копирование уже работают.	Страница переносится без повторного распознавания. Об этом появится уведомление.
Выделяемый текст и изображение на одной странице	Часть страницы можно выделить, а другую часть — нет. Или обычная текстовая страница содержит логотип.	Весь PDF отклоняется, файл не создаётся.
Ничего (например, пустая оборотная сторона)	На странице нет видимого содержимого.	Страница сохраняется, и вы получаете уведомление. Если весь документ пустой, распознавание прерывается с соответствующим сообщением.

Почему страницы со смешанным содержимым отклоняются

Типичный пример — письмо, в котором шапка представлена настоящим текстом в PDF, а само письмо ниже является отсканированным изображением. Если бы инструмент перенёс такую страницу как готовую текстовую, отсканированная часть незаметно осталась бы без текста, доступного для поиска. Поэтому он отклоняет любой PDF, содержащий хотя бы одну страницу, на которой одновременно есть выделяемый текст и изображение. Эта проверка намеренно строгая. Она срабатывает даже для обычной текстовой страницы с логотипом, хотя распознавать на ней ничего не нужно. Кроме того, существующий текстовый слой никогда не заменяется и не исправляется без уведомления, даже если он содержит ошибки.

Как всё же продолжить работу:

Если на затронутых страницах уже работает поиск, например на титульном листе с логотипом, их можно удалить из копии. Или разделите PDF, чтобы распознавались только страницы, состоящие исключительно из сканов. Затем части можно снова объединить. После этого проверьте поиск в готовом файле.
Если страницу со смешанным содержимым нужно полностью сделать доступной для поиска, превратите её в страницу, состоящую только из изображения. Для этого экспортируйте страницы в JPG и снова соберите изображения в PDF. Затем запустите распознавание этого PDF. Следите, чтобы текст на изображениях оставался хорошо читаемым. При этом существовавший ранее настоящий текст тоже превращается в изображение, а затем распознаётся заново. Поэтому проверяйте его так же, как и остальной текст. Таким способом можно заменить и старый текстовый слой с ошибками.
Если у вас сохранился бумажный оригинал, часто проще всего заново отсканировать его в PDF, состоящий только из изображений.

Как сделать отсканированный PDF доступным для поиска: пошаговая инструкция

Выберите PDF кнопкой «Выбрать файл» или перетащите его в поле. За один раз можно обработать ровно один файл размером не более 50 MiB и объёмом не более 20 страниц.
В поле «Язык документа» укажите, на каком языке написан текст: «Немецкий», «Английский» или «Немецкий и английский».
В поле «Выходной формат» выберите «PDF с возможностью поиска» или «Текстовый файл (TXT, UTF-8)».
Нажмите «Распознать текст». При первом запуске страница загружает данные для распознавания, для этого требуется подключение к интернету. Затем страницы распознаются по очереди. Продолжительность зависит от количества страниц и вашего устройства. Кнопкой «Отменить» можно остановить процесс в любой момент. В этом случае файл не создаётся, даже частично готовый.
В разделе «Примечания к результату» прочитайте, были ли отдельные страницы перенесены без распознавания или оказались пустыми. Затем скачайте файл кнопкой «Скачать».
Откройте сохранённый файл и проверьте его, как описано ниже, прежде чем передавать его другим или удалять оригинал.

Ваш исходный файл остаётся неизменным, результат всегда сохраняется в новый файл. Для этого не нужны ни учётная запись, ни оплата. Кнопка «Сбросить» позволяет начать работу со следующим PDF.

PDF с возможностью поиска, текстовый файл или документ Word?

Распознавание позволяет находить текст, но не делает его автоматически редактируемым. Нужный формат файла зависит от того, что вы собираетесь делать дальше.

Сравнение трёх возможных результатов
Результат	Что вы получаете	Для чего подходит
PDF с возможностью поиска	Каждая страница выглядит точно так же, как раньше. Дополнительно она содержит распознанный текст в виде невидимого слоя, в котором можно выполнять поиск, выделять и копировать текст.	Хранить документы и находить их позже, выполнять поиск в длинных документах, копировать отдельные фрагменты
Текстовый файл (TXT, UTF-8)	Вы получаете только распознанный текст без изображений, шрифтов и макета. Страницы идут друг за другом и разделяются символом разрыва страницы.	Переносить текст в другую программу или обрабатывать его дальше
Файл Word (DOCX)	Этот инструмент не создаёт такой файл. Сначала сохраните PDF с возможностью поиска, а затем преобразуйте его в редактируемый текст с помощью инструмента PDF в Word. Изображение страниц и макет при этом не переносятся.	Переписывать текст и заново его форматировать

Поскольку изображение страницы остаётся неизменным, PDF с возможностью поиска выглядит точно так же, как скан. Это верно и в том случае, если в невидимом текстовом слое отдельные слова записаны с ошибками. Правильность распознавания можно проверить только с помощью поиска и скопированного текста. Кроме того, PDF с возможностью поиска не становится автоматически документом, соответствующим требованиям доступности PDF/UA, или архивным PDF по стандарту PDF/A. Этот инструмент не создаёт ни тот, ни другой вариант.

Фрагмент отсканированной страницы со строками «Rechnung Müller & Söhne» и «Betrag: 1.234,56 EUR». Страница состоит только из изображения. — Обе страницы выглядят одинаково. Различие находится внутри файла: PDF с возможностью поиска дополнительно содержит невидимый текстовый слой. Поиск по запросу «Müller» находит это слово, а текст можно выделять и копировать.
При распознавании текста слова или числа могут быть прочитаны неправильно. Этот пример ничего не говорит о ваших собственных документах. В полученном результате особенно внимательно проверьте имена, суммы и умлауты.

Тот же фрагмент после распознавания текста. Он выглядит без изменений и по-прежнему содержит «Rechnung Müller & Söhne» и «Betrag: 1.234,56 EUR». — Обе страницы выглядят одинаково. Различие находится внутри файла: PDF с возможностью поиска дополнительно содержит невидимый текстовый слой. Поиск по запросу «Müller» находит это слово, а текст можно выделять и копировать.
При распознавании текста слова или числа могут быть прочитаны неправильно. Этот пример ничего не говорит о ваших собственных документах. В полученном результате особенно внимательно проверьте имена, суммы и умлауты.

Выбор языка: немецкий, английский или оба

Настройка языка указывает системе распознавания, какие слова и символы следует ожидать. Для немецких текстов с ä, ö, ü и ß выбирайте «Немецкий». Если документ содержит оба языка, например немецкое письмо с английскими профессиональными терминами или адресом на английском, выбирайте «Немецкий и английский». Для других языков инструмент не предназначен.

Выбор языка ничего не переводит. Текст распознаётся на том языке, на котором он написан на скане. Распознавание предназначено для печатного текста. Рукописный текст распознаётся ненадёжно.

Проверка результата: имена, числа и умлауты

При распознавании текста буквы определяются по пикселям изображения. При этом возможны ошибки, особенно в цифрах, именах собственных и похожих символах. Поэтому важные документы стоит быстро проверить:

Откройте сохранённый PDF и с помощью Ctrl+F (Mac: Cmd+F) найдите несколько слов, которые видите на скане. Лучше выбрать имя, слово с умлаутом или ß, например «Straße», и число.
Выделите абзац, скопируйте его в текстовый редактор и сравните со сканом. Верно ли переданы имена, суммы вроде 1 234,56, даты, номера дел и умлауты? Не перепутаны ли похожие символы, например 0 и O или 1 и l?
Обращайте внимание на порядок текста в колонках и таблицах. Колонки и ячейки таблиц не воссоздаются. Поэтому в скопированном тексте они могут располагаться иначе, чем на странице.
Если вы выбрали текстовый файл, проверьте те же места непосредственно в нём.

Исправить ошибки в распознанном тексте в этом инструменте нельзя. При проверке важных сведений ориентируйтесь на видимое изображение страницы, а не на скопированный текст.

Качественнее оригинал — точнее распознавание

Многие ошибки возникают уже при сканировании, например из-за слишком низкого разрешения, перекоса страниц при подаче, слабого контраста, пятен или очень мелкого шрифта. Поэтому важные документы старайтесь сканировать ровно, чётко и с хорошим контрастом. Для обычного размера шрифта подходит разрешение около 300 dpi. Перекошенные страницы здесь автоматически не выравниваются. Если страница лежит боком или вверх ногами, сначала поверните её, чтобы текст отображался в правильной ориентации. Как разрешение, перекос и шум изображения влияют на распознавание, объясняется в англоязычном руководстве по качеству изображений для распознавания текста.

Ограничения и сообщения: как продолжить работу

Очереди для нескольких файлов нет. Выбрать отдельные страницы для распознавания тоже нельзя: всегда обрабатываются все страницы PDF. В таблице указано, когда файл отклоняется или появляется уведомление и что можно сделать в таком случае.

Частые ограничения и уведомления при распознавании текста
Ситуация	Что можно сделать
В PDF больше 20 страниц.	Разделите PDF на части объёмом не более 20 страниц и распознайте каждую часть отдельно. Здесь можно разделять файлы размером до 50 MiB и объёмом до 250 страниц. Если в итоге снова нужен один файл, объедините результаты и проверьте поиск в объединённом PDF.
Размер PDF превышает 50 MiB.	Заново отсканируйте документы небольшими частями или разделите PDF с помощью программы для работы с PDF на компьютере.
Нужно распознать только отдельные страницы.	Удалите остальные страницы из копии или разделите PDF.
Страница одновременно содержит текст и изображение.	PDF отклоняется. Решения приведены выше в разделе о страницах со смешанным содержимым.
Формат страницы очень большой, например у чертежа или плаката.	Страницы распознаются с разрешением до 300 dpi и размером не более 12 мегапикселей. Если для соблюдения этого ограничения разрешение страницы пришлось бы снизить ниже 144 dpi, PDF отклоняется. В таком случае сканируйте большие оригиналы небольшими фрагментами.
PDF подписан, защищён паролем или повреждён.	Инструмент не обрабатывает такие файлы. Для подписанных документов поможет руководство о подписях и формах. Если файл защищён паролем или повреждён, попросите отправителя предоставить новую, незащищённую версию.
Уведомление: «Страница … уже содержит текст и перенесена без распознавания текста».	На этой странице уже работал поиск. Проверьте с помощью поиска, правильно ли передан её текст.
Уведомление: «На странице … текст не распознан».	Для пустой оборотной стороны это нормально. Если на странице виден текст, вероятно, скан слишком бледный, мелкий или перекошенный. В таком случае отсканируйте страницу заново.
Во всём документе не распознан текст.	Файл не создаётся. Проверьте, действительно ли на страницах есть читаемый текст, и попробуйте использовать более качественный оригинал.
Уведомление о том, что распознанные символы не удалось включить в текстовый слой с возможностью поиска.	Изображение страницы остаётся неизменным, но поиск не находит эти символы. Если они вам нужны, дополнительно запустите распознавание файла с сохранением в текстовый файл. В нём эти символы будут присутствовать.
Не удаётся загрузить данные для распознавания.	Проверьте подключение к интернету и перезагрузите страницу. Пока данные для распознавания не загружены полностью, обработать файл невозможно.
Один этап распознавания длится дольше трёх минут.	В таком случае инструмент прерывает обработку. Закройте другие программы или вкладки, требующие больших вычислительных ресурсов, и попробуйте снова, при необходимости на более мощном устройстве.
Размер результата превысил бы 100 MiB.	Файл не создаётся. Разделите PDF и распознайте части по отдельности или выберите текстовый файл.

Остаётся ли PDF на вашем устройстве? И можно ли работать без интернета?

Ваш PDF обрабатывается в этом браузере и не отправляется на сервер. Для распознавания текста страница загружает только свою программу и данные для выбранного языка, причём с этого же сайта, а не со сторонних сервисов.

Поэтому при запуске требуется подключение к интернету: без данных для распознавания обработать файл невозможно. При последующем посещении странице также может потребоваться загрузить эти данные заново. Запуск полностью без интернета не предусмотрен и не гарантируется.

Общие сведения о том, как сайт обращается с вашими файлами, приведены на странице «Безопасность и обработка файлов».

Распознавание текста в PDF с помощью OCR

Результат

Примечания к результату