Текст у відсканованому PDF не виділяється - як виправити за допомогою OCR

Чому не можна виділити текст у відсканованому PDF?

Коли документ фізично сканується і зберігається як PDF, сканер захоплює плоске зображення сторінки - як фотографію. Отриманий файл не містить реальних текстових символів, лише пікселі, розташовані так, щоб нагадувати літери. Ось чому при кліці в будь-якому місці документа нічого не виділяється: немає текстового шару, за який міг би зачепитися курсор.

Це одна з найпоширеніших проблем з PDF. Документ виглядає цілком читаним на екрані, але по суті є фотографією, вбудованою в PDF-оболонку. Ви не можете шукати в ньому, копіювати з нього або дозволити програмі читання з екрана його обробити.

Що таке OCR і як це вирішує проблему?

OCR (оптичне розпізнавання символів) - це технологія, яка аналізує зображення тексту і перетворює його на справжні, машиночитані символи. Програма вивчає форму літер, порівнює їх із відомими зразками та створює текстовий шар, який вбудовується назад у PDF.

Після обробки OCR Ви отримуєте PDF з можливістю пошуку та виділення тексту - візуально ідентичний оригіналу, але тепер курсор може виділяти слова, Ctrl+F може знаходити фрази, а копіювання і вставка працюють нормально. Програми читання з екрана та інструменти доступності також можуть його читати.

Як застосувати OCR до відсканованого PDF

Існує кілька способів додати OCR до відсканованого PDF - від безкоштовних браузерних інструментів до настільних програм:

• Конвертувати у Word, потім зберегти як PDF: Наш конвертер PDF у Word витягує візуальний вміст і перетворює його на редагований документ Word. У Word текст стає повністю виділяємим. Потім можна експортувати назад у PDF з правильним текстовим шаром.
• Adobe Acrobat (платний): Галузевий стандарт. Відкрийте PDF, перейдіть до Інструменти → Сканування та OCR → Розпізнати текст, і Acrobat додасть текстовий шар безпосередньо. Дорого, але висока точність.
• Google Drive (безкоштовно): Завантажте відсканований PDF на Google Drive, клацніть правою кнопкою миші та оберіть "Відкрити в Google Docs". Google автоматично запустить OCR і відкриє текст у документі Docs. Працює напрочуд добре для чистих сканів.
• Tesseract OCR (безкоштовний, з відкритим кодом): Потужний рушій OCR з командним рядком, який використовується багатьма додатками. Найкращий вибір для розробників або технічних користувачів, яким потрібне безкоштовне самостійно розміщуване рішення.
• Adobe Acrobat online (обмежено безкоштовний): Adobe пропонує обмежену безкоштовну обробку OCR через свої онлайн-інструменти для користувачів без підписки.

Поради для підвищення точності OCR

Якість OCR значно залежить від якості вихідного скану. Дотримуйтесь цих порад для максимальної точності:

• Скануйте при 300 DPI або вище: Скани з низькою роздільною здатністю дають розмиті символи, які рушії OCR читають неправильно. 300 DPI - мінімум; 600 DPI - ідеально для дрібного тексту або детальних документів.
• Використовуйте чорно-білий режим для текстових документів: Кольорові скани збільшують розмір файлу, не покращуючи точність OCR для простого тексту. Чорно-білий або відтінки сірого цілком достатні для більшості документів.
• Тримайте сторінки рівно: Нахилені або перекошені сторінки збивають з пантелику програми OCR. Більшість сучасних інструментів можуть автоматично вирівнювати, але починати рівно - краще.
• Уникайте плям кави та розмазувань: Фізичні позначки на документі розпізнаються як символи. По можливості очистіть оригінал.
• Перевіряйте результат: OCR не дає 100% точності. Завжди перевіряйте результат, особливо числа, розділові знаки та рукописні розділи.

Після OCR: зменшіть розмір файлу, якщо потрібно

Обробка OCR іноді може збільшувати розмір PDF-файлу, оскільки додає прихований текстовий шар поверх існуючого шару зображення. Якщо отриманий файл занадто великий, скористайтеся нашим компресором PDF, щоб зменшити розмір без втрати візуальної якості.

Що робити, якщо OCR неправильно розпізнає текст?

Точність OCR залежить від якості вихідного скану. Погані результати типові при: дуже дрібних шрифтах (нижче 8pt), рукописному тексті, декоративних або нестандартних шрифтах, вицвілих чорнилах або неякісних сканах нижче 200 DPI. У таких випадках може знадобитися ручне введення - або повторне сканування оригінального документа з вищою якістю перед повторним запуском OCR.