pdfMB

OCR PDF

Сделайте отсканированный PDF доступным для поиска и скопируйте из него текст. Страницы выглядят точно так же, а файл остаётся на этом устройстве.

  • Без загрузкиФайл остаётся на вашем устройстве.
  • Данные языка загружаются один разСкачиваются только данные для выбранных языков, затем они хранятся на этом устройстве.
  • Бесплатно, без регистрацииБез аккаунта и без дневного лимита.

Что происходит с вашим файлом

Всё, что описано ниже, происходит в вашем браузере, на вашем устройстве. PDF и фото никуда не загружаются, поэтому их не видит никто, включая нас.

  1. Текст распознаёт Tesseract — бесплатный движок OCR с открытым исходным кодом, который работает прямо в браузере. Он загружается с самого pdfMB, а не с сервера другой компании.
  2. Когда вы впервые используете язык, его данные (от 0,5 до 3 MB) скачиваются с pdfMB и сохраняются в браузере. Это единственная загрузка: ваш файл никуда не отправляется.
  3. Каждая страница отрисовывается как картинка с разрешением 300 dpi и распознаётся строка за строкой. Страницы, где уже есть настоящий текст, пропускаются, если вы не попросите иначе.
  4. Найденные слова добавляются на страницу невидимым текстом точно поверх тех же слов на картинке. После этого поиск, выделение и копирование работают в любой программе для просмотра PDF.
  5. Ничего на страницах не перерисовывается и не сжимается повторно. Новый текст дописывается в конец файла, а исходный файл остаётся внутри без изменений, байт в байт.
  6. Фото попадают в PDF как есть (JPEG не сжимаются повторно), а текст добавляется поверх них.
Коротко
  1. Выберите PDF или фото
  2. Проверьте языки
  3. Нажмите «Распознать»
  4. Скачайте или скопируйте текст

Как сделать отсканированный PDF доступным для поиска

  1. Выберите PDF или одно или несколько фото страниц.
  2. Проверьте языки. Язык этой страницы и английский уже выбраны; добавьте другие языки, которые есть в документе.
  3. Нажмите «Распознать». Страницы распознаются по очереди, и видно, какая из них сейчас в работе.
  4. Скачайте PDF с поиском или скопируйте текст и сохраните его в файл .txt.

Советы для хорошего результата

  • Сканируйте с разрешением 300 dpi, если сканер позволяет его выбрать. При меньшем разрешении мелкие буквы читаются плохо.
  • Фотографируйте страницы ровно, строго сверху и при хорошем свете, без тени на тексте. Инструмент «Сканирование в PDF» сам выровняет страницы.
  • Страницы, лежащие боком или вверх ногами, сначала разверните правильно с помощью инструмента «Повернуть PDF».
  • Выбирайте только те языки, которые действительно есть в документе. Лишние языки замедляют распознавание и могут добавить ошибок.
  • Рукописный текст, очень мелкий шрифт и декоративные шрифты распознаются плохо, поэтому проверьте текст, прежде чем на него полагаться.

Когда это пригодится

Отсканированные договоры и письма

Найдите имя, дату или сумму в длинном скане через Ctrl+F, вместо того чтобы читать каждую страницу.

Старые бумаги и архивы

Сделайте папки со сканами доступными для поиска, чтобы компьютер находил документ по словам в нём.

Фото объявлений и чеков

Скопируйте текст с фото объявления, меню или чека и вставьте его в сообщение или переводчик.

Документы на нескольких языках

Выберите два языка или больше, например тайский и английский или китайский и английский, — оба распознаются на одной странице.

Чего он не умеет

  • OCR ошибается, особенно на размытых фото, мелком шрифте, таблицах и рукописном тексте. Всегда проверяйте важные имена, числа и суммы.
  • Текст читается горизонтальными строками. Вертикальный китайский или японский текст и страницы, повёрнутые набок, распознаются неправильно.
  • Вёрстка не воссоздаётся. Вы получаете текст для поиска поверх исходной страницы, а не редактируемый документ Word.
  • Некоторые языки в наших тестах распознаются хуже других. В списке языков они отмечены как «точность ниже».
  • Языковые данные скачиваются при первом использовании языка (размер показан до начала), поэтому в первый раз нужно подключение к интернету.
  • Распознавание идёт на вашем устройстве, поэтому на старых телефонах оно медленнее, а очень длинным документам может не хватить памяти телефона. Сначала разделите их на части.
  • PDF с паролем и PDF, владелец которых запретил изменения, распознать нельзя.

Вопросы об OCR

Что такое OCR?

OCR (оптическое распознавание символов) — это чтение букв на картинке и превращение их в настоящий текст. Отсканированный PDF — это просто картинки страниц, поэтому искать в нём и копировать из него нельзя, пока он не прошёл OCR.

Изменится ли вид моего PDF?

Нет. Текст добавляется невидимым слоем, поэтому страницы выглядят точно так же. В наших тестах страницы до и после совпадают пиксель в пиксель.

Мой документ загружается на сервер?

Нет. Распознавание работает в вашем браузере. Скачиваются только языковые данные, и только с pdfMB. Ваш файл никуда не отправляется.

Какие языки он распознаёт?

32 языка этого сайта, в том числе английский, тайский, китайский (упрощённый и традиционный), японский, корейский, арабский, иврит, хинди, бенгальский, бирманский, русский и вьетнамский. Если в документе несколько языков, выберите их все.

Насколько точно распознавание?

На чистых печатных страницах для большинства языков почти все символы распознаются верно. С фото, мелким текстом и некоторыми письменностями сложнее. Мы проверили каждый язык и отметили более слабые как «точность ниже».

Почему некоторые страницы пропускаются?

Страницам, где уже есть настоящий текст, например созданным в Word, OCR не нужен, поэтому они остаются как есть. Отметьте «Распознавать и страницы, где уже есть текст», чтобы всё равно их распознать.

Можно получить только текст?

Да. После распознавания текст появится под кнопкой скачивания. Нажмите «Копировать текст» или «Скачать .txt», чтобы сохранить его как обычный текстовый файл.