OCR — распознать текст

Зачем нужен OCR — распознавание текста

Сканированный PDF — это, по сути, набор изображений страниц. Внутри таких файлов нет текстового слоя: вы не можете выделить текст, скопировать его, найти по нему через Ctrl+F или отредактировать. OCR решает эту задачу — превращает «картинку с текстом» в настоящий текст:

• Извлечь текст из сканов документов — паспорта, договоры, справки, инструкции
• Скопировать данные из PDF — ФИО, адреса, номера, суммы
• Редактировать распознанный текст — вставлять в Word, Excel, базы данных
• Искать по документу — Ctrl+F по распознанному тексту
• Переводить документы — скопированный текст легко перевести в переводчике
• Извлекать таблицы и данные — для последующей обработки в Excel
• Готовить тексты для публикации — из сканов книг, статей, методичек
• Переводить старые архивные документы в цифровой вид

PDF с текстовым слоем vs сканированный PDF

PDF с текстовым слоем — создан из Word, Google Docs или другого текстового редактора. Такой файл содержит реальные символы, которые можно выделять, копировать и искать. OCR для него не нужен — используйте инструмент «PDF в Word» или «PDF в Excel».

Сканированный PDF — создан сканером или сфотографирован телефоном. Внутри только изображения страниц, текстовый слой отсутствует. Именно для таких файлов нужен OCR. Если попробовать выделить текст в сканированном PDF, вы увидите, что он не выделяется — вы «выбираете» часть картинки.

Как работает OCR в браузере

Мы используем Tesseract.js — WebAssembly-порт Tesseract OCR от Google. Это настоящий движок распознавания текста, работающий внутри браузера. Принцип работы:

• Шаг 1. PDF рендерится в изображения через pdf.js (или сразу берётся загруженное изображение)
• Шаг 2. Изображение предобрабатывается: увеличивается контраст, выравнивается наклон, шумы удаляются
• Шаг 3. Tesseract анализирует каждую строку: находит символы, распознаёт их
• Шаг 4. Собранный текст возвращается в виде массива строк и символов

Всё это происходит на вашем устройстве — файлы не отправляются на сервер. Языковые модели (20–50 МБ) загружаются один раз при первом использовании и кэшируются браузером.

Как улучшить точность распознавания

Качество исходного файла. Чем выше разрешение, тем лучше результат. Оптимально — 300 DPI. Фото с телефона может не хватить — распознавание будет с ошибками.

Правильный язык. Если документ на русском, а вы выбрали «Английский», точность упадёт. Для смешанных документов (русский + английский) выбирайте «Русский + английский».

Ровный документ. Наклонённые на 10–15 градусов сканы распознаются хуже. Предварительно выровняйте документ.

Контрастность. Серые или выцветшие сканы распознаются хуже чётких чёрно-белых.

Режим качества. «Максимальное» даёт лучший результат, но обрабатывается в 2–3 раза дольше. Для чётких документов «Стандартное» тоже подойдёт.

Что OCR не умеет

Рукописный текст. Классические OCR-движки распознают только печатные символы. Рукописные записи превращаются в мусор.

Сохранение вёрстки. Мы извлекаем только текст. Таблицы, колонки, отступы, изображения не сохраняются. Для сохранения вёрстки используйте специализированные программы (ABBYY FineReader, Adobe Acrobat Pro).

Декоративные шрифты. Если в документе нестандартный шрифт (например, готический или рукописный), точность сильно упадёт.

Математические формулы. Формулы распознаются плохо — они превращаются в набор символов без структуры.

Почему обрабатываем прямо в браузере

Большинство онлайн-сервисов OCR загружают ваш файл на сервер, обрабатывают там и возвращают результат. Для конфиденциальных документов (паспортов, договоров, медицинских справок) это критический риск утечки. Наш инструмент работает иначе — весь процесс распознавания происходит на вашем устройстве. Ни документ, ни распознанный текст не отправляются в интернет. Даже если вы отключите Wi-Fi после загрузки страницы, инструмент продолжит работать.

Работает на любом устройстве

Инструмент адаптирован под компьютеры, планшеты и смартфоны. Распознать текст можно прямо с телефона, не устанавливая приложений. Единственное ограничение — производительность: на мобильных устройствах OCR работает медленнее, чем на компьютере.