Отсканированный PDF выглядит как обычный документ, но в нём нельзя искать. Текст хранится как плоское изображение — пиксели, расположенные похоже на буквы, не настоящие символы. Невозможно выделить слово, скопировать фразу или использовать Ctrl+F для поиска раздела. Оптическое распознавание символов (OCR) читает эти пиксели и преобразует в настоящий текст, делая документ поисковым, доступным и копируемым.
Это необходимо для адвокатов, проверяющих 500-страничные присяги, HR-команд, индексирующих кадровые дела, исследователей, работающих с оцифрованными архивами, и всех, кто пытался найти сумму в отсканированной банковской выписке. PDFKits OCR PDF обрабатывает ваши отсканированные документы в браузере, добавляя невидимый слой текста поверх изображения без изменения визуального вида ни одной страницы.
Перетащите отсканированный PDF в зону загрузки. Инструмент определяет, основан ли файл на изображениях или уже имеет слой текста (в этом случае предупреждает, что OCR не нужен). Для лучших результатов сканы должны быть 150 dpi или больше и относительно ровными — страница, сфотографированная под углом 30 градусов, даёт посредственные результаты распознавания.
Точность OCR зависит от языковой модели. Выберите основной язык документа — русский, английский, французский, немецкий, испанский, португальский, китайский и другие. Для многоязычных документов (часто в приграничных зонах или международных контрактах) выберите доминирующий язык. Запуск OCR с неправильным языком даёт нечитаемый текст, где символы путаются с визуально похожими буквами другого алфавита.
Нажмите Запустить OCR. Инструмент анализирует каждую страницу, идентифицирует текстовые зоны и строит поисковый слой текста. Точность для чистого, хорошо выровненного печатного текста обычно 97–99%. Рукописные заметки, необычные шрифты, очень мелкий текст или сканы с низким контрастом снижают точность. Полученный PDF визуально идентичен оригиналу, но теперь имеет выделяемый текст — откройте его и нажмите Ctrl+F для проверки, что поиск работает. Обработка скана на 30 страниц при стандартном разрешении занимает 20-60 секунд в зависимости от устройства.
Помощник юриста в московской фирме получает 600-страничную присягу как отсканированный PDF от противоположной стороны. Запустить OCR в PDFKits превращает её в поисковый документ — она находит каждую ссылку на ключевую дату через Ctrl+F, задача, которая иначе потребовала бы ручного чтения каждой страницы.
Историк, оцифровывающий административные дела 40-х годов, фотографирует 200 машинописных страниц и конвертирует их в PDF. OCR превращает страницы-изображения в поисковые документы — имена, даты и места становятся индексированными как полный текст, делая возможным перекрёстный поиск между документами.
Клиника оцифровывает карты приёма пациентов за последние десять лет. OCR делает поисковыми имена пациентов, даты рождения и коды диагнозов в цифровом архиве, радикально сокращая время на получение конкретной карты.
Бухгалтерская фирма сканирует 10 лет бумажных счетов-фактур в рамках налоговой проверки. OCR над каждой партией делает поисковыми имена поставщиков, номера счетов и суммы — аудиторы локализуют любую транзакцию за секунды вместо просмотра скан за сканом.
Аспирантка по сравнительному литературоведению скачивает оцифрованные книги как PDF-изображения из библиотечного фонда университета. Запуск OCR делает их поисковыми, позволяя локализовать все вхождения конкретного термина в трёх томах по 400 страниц одновременно.
OCR традиционно требовал десктопного ПО — ABBYY FineReader стоит 199 USD за бессрочную лицензию, Adobe Acrobat Pro 29,99 USD/мес, и большинство онлайн-OCR-сервисов загружают ваши документы на свои серверы для обработки. PDFKits выполняет OCR прямо в браузере с Tesseract.js, браузерным портом стандартного индустриального движка Tesseract.
| Характеристика | PDFKits | Adobe Acrobat Pro | ABBYY FineReader | iLovePDF OCR |
|---|---|---|---|---|
| Цена | Бесплатно, всегда | 29,99 USD/мес | 199 USD бессрочно | 2 задачи/день бесплатно |
| Файлы остаются на устройстве | Да | Нет — облако | Да | Нет — облако |
| Мультиязычная поддержка | Да | Да | Да | Ограничено |
| Без установки | Да | Нет | Нет | Да |
| Дневной лимит | Нет | Нет | Нет | 2/день |
Для конфиденциальных документов — медицинских карт, юридической корреспонденции, финансовых записей — браузерный OCR единственный подход, гарантирующий, что содержимое документа никогда не попадёт на внешний сервер. Важно по ФЗ-152, где обработка персональных данных третьей стороной требует правового основания и договора с обработчиком.
OCR (оптическое распознавание символов) конвертирует основанные на изображениях PDF в поисковые документы. Нужен, когда нельзя ни выделить, ни искать текст в PDF — обычно потому что отсканировано с бумаги или сгенерировано как изображение.
Для чистого, хорошо выровненного печатного текста при 150 dpi или больше точность обычно 97-99%. Рукописный текст, необычные шрифты, очень мелкий текст или сканы низкого качества значительно снижают точность.
Русский, английский, французский, немецкий, испанский, португальский, китайский (упрощённый и традиционный), итальянский, нидерландский, арабский и многие другие через языковые модели Tesseract.
Нет. OCR-обработка выполняется целиком в вашем браузере с Tesseract.js. Ваши отсканированные документы никогда не покидают устройство.
Нет. Вид каждой страницы остаётся идентичным. OCR добавляет невидимый слой текста под изображением, делающий текст выделяемым и поисковым.
150 dpi — приемлемый минимум. 200-300 dpi рекомендуется для документов с мелкими шрифтами или плотными таблицами. Фотографий с мобильного достаточно, если изображение чёткое и страница ровная.
OCR оптимизирован для печатного текста. Распознавание рукописного письма заметно менее точное и сильно зависит от разборчивости.
Да. PDFKits применяет OCR к страницам на основе изображений и оставляет нетронутыми существующие текстовые слои на цифровых страницах.
Да, хотя мобильный OCR заметно медленнее десктопа из-за ограничений вычислительной мощности. Скан на 10 страниц может занять 1-2 минуты на смартфоне.
Нечитаемый текст часто означает, что выбран неправильный язык, разрешение скана слишком низкое, или документ имеет необычные шрифты. Перезапустите с правильным языком и более качественным сканом.