Текст из PDF или OCR: как выбрать способ
Чем отличается извлечение текста PDF от распознавания скана. Как выбрать инструмент, проверить цифры, порядок строк и распознанные таблицы.
Извлечь текст из PDF →Проверьте текстовый слой
Откройте PDF и попробуйте выделить несколько слов, затем найдите слово поиском. Если буквы выделяются, в файле, вероятно, есть текстовый слой. Его наличие ещё не гарантирует правильный порядок чтения. В одном PDF могут сочетаться обычные страницы, сканы и страницы с ранее распознанным невидимым текстом.
Если текст уже есть
Начните с извлечения текста. Это позволяет получить существующие символы без повторного распознавания картинки. Сверьте порядок абзацев и колонок. Таблица может превратиться в последовательность строк: извлечение текста не означает восстановления исходной таблицы или Word-документа.
Контрольный пример: PDF с фразой «PAGE-1-CONTROL» можно проверить поиском этой строки. Визуально такая же страница, сохранённая только как картинка, потребует распознавания.
Если перед вами скан
Откройте распознавание текста, выберите подходящий язык и запустите обработку. Перед первым запуском загружается программный компонент и языковые данные. Читаемость исходника, наклон, разрешение и шум влияют на результат.
Проверяйте похожие символы: 0 и О, 1 и I, запятую и точку, знак минуса и тире. Особенно внимательно — суммы, даты, номера документов и названия. Правдоподобный результат тоже может содержать ошибку.
Не заменяйте оригинал расшифровкой
Сохраните исходный PDF отдельно. Перед отправкой сравните важные фрагменты с изображением страницы. Поиск и копирование удобны для работы, но распознанный текст не удостоверяет содержание документа. Изменение подписанного PDF может нарушить электронную подпись.
Если исходник — фотографии, сначала соберите их в правильном порядке. Обрезайте пустые поля аккуратно: край документа может содержать нужные сведения.