OCR для PDF – распознавание текста в сканах

Отсканированный документ — это просто картинка страницы: в нём нельзя искать, выделить фразу или скопировать число. OCR для PDF (оптическое распознавание символов) читает буквы на этой картинке и превращает их в настоящий текст. Можно сохранить исходный вид и добавить невидимый текстовый слой — получится PDF с возможностью поиска, — или просто скачать распознанный текст в файле .txt. Распознавание выполняется в вашем браузере открытым движком Tesseract, поэтому скан не покидает ваше устройство.

Как распознать текст в PDF

1. Добавьте отсканированный PDF или изображение (PDF, JPG, PNG, WebP или BMP, до 100 МБ). Скриншот можно вставить через Ctrl+V.
2. Выберите язык документа — по умолчанию это язык этой страницы. Для двуязычных документов добавьте второй язык, например русский и английский.
3. Выберите результат: PDF с поиском или Простой текст. Для PDF можно ограничить OCR отдельными страницами, например 1-3, 7.
4. Нажмите Распознать текст. При первом запуске загружаются языковые данные, затем они кэшируются. Прогресс отображается постранично.
5. Скачайте файл-ocr.pdf или файл.txt.

Поддерживаемые языки

Английский, французский, испанский, немецкий, итальянский, португальский, русский, арабский, хинди, китайский упрощённый и традиционный, японский, корейский, турецкий и урду. Правильный выбор языка критически важен: он подсказывает движку, какой алфавит и какие слова ожидать. Добавляйте второй язык, только если он действительно есть в документе, — каждый дополнительный язык замедляет распознавание.

Как выглядит PDF с поиском

Страницы не изменяются и не пережимаются. Каждая страница для распознавания рендерится с разрешением до 300 DPI, а найденные слова размещаются невидимым слоем точно поверх напечатанных. Документ выглядит как прежде, но Ctrl+F находит слова, текст можно выделять и копировать, а системы поиска — индексировать файл.

Насколько точно распознавание?

• Лучший результат: чёткий печатный текст, скан 300 DPI, ровные страницы, хороший контраст.
• Результат хуже: размытые фото с телефона, очень мелкий шрифт, перекошенные страницы, цветной фон и декоративные шрифты.
• Не подходит: рукописный текст — Tesseract не читает его надёжно.
• Арабскому, хинди и китайскому обычно нужен более чёткий скан, чем латинице и кириллице.

Всегда проверяйте важные цифры, имена и даты.

Советы и связанные инструменты

• Фотографируете бумажные документы? Скан в PDF выровняет и очистит страницы перед OCR.
• Для структурированного текста после OCR конвертируйте PDF в PDF в Markdown.
• Если в PDF уже есть выделяемый текст, извлечение текста из PDF сработает мгновенно и точно.

Конфиденциально и бесплатно

Распознавание идёт на вашем компьютере или телефоне, поэтому договоры, документы и медицинские заключения никогда не отправляются в WoowPDF — загружается только языковая модель. Без регистрации, дневных лимитов и водяных знаков. Скорость зависит от устройства: несколько секунд на страницу на ноутбуке.