OCR PDF

Что такое OCR и что меняется после его запуска?

Оптическое распознавание символов (OCR) превращает изображение текста в настоящие текстовые символы, которые компьютер может копировать, искать и индексировать. «Отсканированный» PDF — это не более чем стопка изображений страниц, склеенных внутри контейнера PDF; слова, которые вы видите, — это пиксели, а не буквы. После OCR у документа есть невидимый слой текста, размещённый поверх этих пикселей (так что он выглядит идентично, но Ctrl+F работает), либо вы извлекли текст в неформатированный файл .txt, который можно вставить в другое место. Оба режима предлагаются выше.

Как работает OCR на этой странице

Мы используем Tesseract.js — компиляцию в WebAssembly движка с открытым исходным кодом Tesseract от Google — работающую внутри вкладки вашего браузера. Когда вы нажимаете Запустить OCR:

1. Каждая страница вашего PDF растеризуется на холст при 300 DPI с помощью PDF.js.
2. Пиксели холста передаются в Tesseract.js, который возвращает распознанный текст плюс ограничивающие рамки по строкам.
3. Для PDF с возможностью поиска мы копируем ваши исходные страницы в новый PDF и накладываем распознанный текст с прозрачностью 0: невидимый для глаза, но выделяемый и доступный для поиска.
4. Для режима Только текст мы объединяем текст каждой страницы в единый файл .txt.

Ни один шаг этого конвейера не обращается к серверу: PDF.js, Tesseract.js и pdf-lib выполняются на стороне клиента. Единственный сетевой запрос, связанный с OCR, — это однократная загрузка обученной языковой модели (около 5–15 МБ на язык), которую ваш браузер затем сохраняет в кэше до следующего раза.

Честные ожидания

• Чистый печатный текст при 300 DPI: обычно от 95 % до 98 % точности по символам. Достаточно для поиска и для копирования/вставки с небольшой правкой.
• Низкое разрешение (менее 200 DPI) или сфотографированные страницы: точность резко падает; Tesseract нужны чёткие края букв. Пересканируйте с большим DPI, если можете.
• Многоколоночные макеты и таблицы: текст возвращается строка за строкой через колонки. Мы не переупорядочиваем его в логический порядок чтения. Для таблиц рассмотрите PDF в Excel.
• Рукописный текст: не поддерживается надёжно. Tesseract обучен на печатных шрифтах; рукописные символы обычно возвращаются нечитаемыми.
• Сильная смесь алфавитов: если страница наполовину арабская и наполовину латинская, выберите преобладающий. Многоалфавитный OCR возможен, но медленнее и менее точен.

Конфиденциальность и безопасность

OCR — это категория, где обработка в браузере особенно ценна. Отсканированные документы часто относятся к самому конфиденциальному, что есть у людей — копии паспортов, налоговые декларации, договоры, медицинские карты, договоры аренды — и отправка их на сторонний сервер создаёт след, который вы не можете удалить. Поскольку каждый байт конвейера выполняется локально, нет загрузки для регистрации, нет временного файла для изъятия, нет периода хранения, которому нужно доверять. Сам движок OCR имеет открытый исходный код и доступен для проверки.