Як зробити PDF з можливістю пошуку: OCR для сканів

Щоб зробити PDF з можливістю пошуку, запустіть OCR для сканованого файла: розпізнавання додасть до зображень сторінок текстовий шар. У OCR PDF виберіть документ, зазначте мову або мови тексту, за потреби виправте нахил чи орієнтацію сторінок, натисніть «Розпізнати текст» і перевірте готовий файл через пошук у переглядачі PDF.

Що означає PDF із можливістю пошуку та навіщо потрібен OCR?

Сканований PDF часто є набором зображень сторінок. Візуально він схожий на звичайний електронний документ, але програма бачить лише пікселі, а не літери й слова. Тому Ctrl+F не знаходить фрази, виділення захоплює всю ділянку зображення, а копіювання тексту не дає придатного результату.

OCR, або оптичне розпізнавання символів, аналізує зображення сторінки, визначає літери, цифри та слова й додає до PDF невидимий текстовий шар. Зовнішній вигляд сторінок лишається практично тим самим, зате документ можна:

• шукати за словом, датою, номером справи або прізвищем;
• виділяти й копіювати текст;
• передавати далі для перетворення в редагований документ.

Якість залежить від джерела. Чіткий друкований скан зазвичай розпізнається значно краще, ніж бліда ксерокопія, фотографія під кутом, рукописний запис, текст дрібним шрифтом або сторінка з печатками й водяними знаками. OCR полегшує роботу з документом, але не гарантує безпомилкової розшифровки.

Як зробити сканований PDF придатним для пошуку онлайн

PDF Toucan дає змогу розпізнати один або кілька PDF у браузері. Виконайте такі кроки:

1. Відкрийте інструмент OCR PDF.
2. Натисніть «Вибрати PDF-файли» та вкажіть документ. Також PDF можна перетягнути будь-куди на сторінку або вставити з буфера обміну.
3. У блоці вибору мови документа позначте щонайменше одну мову, яка справді є на сторінках.
4. Для звичайного скану залиште рекомендований режим «Сканувати сторінки без тексту». Він розпізнає лише сторінки без текстового шару, а сторінки з наявним текстом не змінює.
5. За потреби відкрийте додаткові налаштування та виберіть обробку сторінок або виправлення їхнього положення.
6. Натисніть «Розпізнати текст».
7. Дочекайтеся повідомлення про завершення та завантажте PDF із можливістю пошуку.

Можна додати кілька файлів одночасно: кожен із них обробляється окремо. Для великих багатосторінкових документів розпізнавання може тривати кілька хвилин, тому не закривайте вкладку до завершення процесу.

Які мови вибрати для OCR українських документів?

Вибір мови впливає на точність. Мовна модель допомагає OCR відрізняти схожі символи та правильніше визначати слова. Для українського договору, довідки або книжки виберіть українську мову. Якщо документ двомовний, додайте лише другу мову, яка реально використана, наприклад англійську, польську чи російську.

Не потрібно автоматично позначати українську й російську для документа українською: зайві мови сповільнюють обробку й можуть погіршити розпізнавання схожих символів. За один запуск можна поєднати до п’яти мов.

Сервіс підтримує 30 мов і різні системи письма, зокрема кирилицю, латиницю, грецьке, арабське, єврейське, деванагарі, тайське, китайське, японське та корейське письмо. Орієнтуйтеся на фактичний текст, а не на країну, де документ видано: українська довідка може містити англійські назви або латинські коди, але це не завжди означає, що треба додавати англійську.

Коли вирівнювати сторінки та виправляти їх орієнтацію?

Неправильне положення аркуша знижує якість OCR. У додаткових параметрах доступні виправлення для типових проблем сканування.

• «Вирівняти нахилені сторінки» варто ввімкнути, якщо рядки на скані трохи косі. Горизонтальний текст зазвичай розпізнається точніше.
• Автоматичне виправлення орієнтації корисне для сторінок, відсканованих боком або догори дриґом.
• «Розпізнати наявний текст повторно» призначено для PDF, де текстовий шар уже є, але він помилковий. Старий розпізнаний текст буде видалено й прочитано заново.
• «Обробити кожну сторінку як зображення» перетворює всі сторінки на зображення та запускає розпізнавання з нуля. Це доречно для пошкодженого або непридатного текстового шару.

Починайте з рекомендованого режиму. Повторне розпізнавання або повна обробка як зображень потрібні тоді, коли наявний текст явно хибний: наприклад, видиме слово не знаходиться пошуком або після копіювання виходить набір неправильних символів.

Як перевірити, чи OCR спрацював правильно?

Не обмежуйтеся повідомленням про успішну обробку. Перевірте результат на кількох сторінках:

1. Відкрийте завантажений PDF у браузері або програмі для читання PDF.
2. Натисніть Ctrl+F у Windows або Linux, Command+F на Mac чи використайте вбудований пошук у мобільному переглядачі.
3. Введіть рідкісне прізвище, номер документа, дату або фразу, яку легко побачити на сторінці.
4. Повторіть перевірку на початку, у середині та наприкінці файла.
5. Виділіть кілька рядків, скопіюйте їх у текстову нотатку й порівняйте з оригіналом.

Особливо уважно перевіряйте ПІБ, адреси, суми, дати та номери. OCR часто плутає І та 1, О та 0, а також візуально подібні кириличні й латинські символи. Якщо слів не знаходить пошук або помилок забагато, перевірте вибрані мови, орієнтацію сторінок і якість вихідного скану, а потім повторіть OCR з відповідними налаштуваннями.

Як після OCR шукати текст або перетворити PDF у Word?

Для пошуку й копіювання достатньо PDF із доданим текстовим шаром. Відкрийте його у звичному переглядачі та користуйтеся полем пошуку.

Щоб отримати DOCX для редагування, важливо дотриматися правильного порядку:

1. Спершу розпізнайте скан через OCR і завантажте результат.
2. Відкрийте PDF у Word.
3. Натисніть «Вибрати PDF-файли» та додайте вже розпізнаний PDF, а не вихідний скан.
4. Натисніть «Перетворити у Word».
5. Завантажте Word-документ і відкрийте його в Word для перевірки.

Не пропускайте перший крок. Інструмент «PDF у Word» не розпізнає текст на сканованих сторінках самостійно: такий PDF буде додано до DOCX як зображення сторінок. Після OCR конвертер має текст, з яким може працювати. Абзаци, таблиці, колонки, виноски та спеціальні символи після експорту варто перевірити вручну.

Що відбувається з файлом під час онлайн-розпізнавання?

Для OCR файл надсилається через HTTPS на сервери в Європейському Союзі. PDF Toucan обробляє його в пам’яті: файл не записується на диск і не зберігається. Він видаляється одразу після завантаження результату, але в будь-якому разі не пізніше ніж через 10 хвилин.

Для браузерних інструментів не потрібен обліковий запис, на результат не додається водяний знак, а денних лімітів немає. Водночас для документа, який за внутрішніми правилами взагалі не можна передавати поза пристрій, варто вибрати офлайн-програму.

Важливе обмеження стосується підписаних PDF: після додавання текстового шару цифровий підпис більше не буде дійсним. Збережіть оригінал підписаного документа окремо та використовуйте OCR-копію лише для пошуку, копіювання або робочої обробки.

FAQ

Чи можна зробити PDF придатним для пошуку, якщо він містить лише скани сторінок?

Так. OCR аналізує зображення кожної сторінки й додає текстовий шар поверх скану. Після цього PDF зовні лишається схожим на оригінал, але в ньому працюють пошук, виділення та копіювання. Точність залежатиме від чіткості скану й правильно вибраних мов.

Чому після OCR деякі слова не знаходяться через пошук?

Ймовірно, OCR помилився в одному або кількох символах, наприклад сплутав літеру з цифрою чи кириличний символ із латинським. Перевірте копіювання фрагмента, вибрані мови, нахил і орієнтацію сторінки. Для слабких або розмитих сканів помилки неминучі.

Чи потрібно вибирати і українську, і російську мови для українського документа?

Ні, якщо російського тексту в документі немає. Вибирайте лише мови, які фактично присутні на сторінках. Додаткові мови уповільнюють розпізнавання й можуть створити зайві заміни символів. Додайте російську лише для справді двомовного або змішаного документа.

Чи перетворить PDF у Word сканований текст на редагований документ без OCR?

Ні. Якщо PDF складається тільки зі сканів, сторінки буде додано до Word як зображення, а не як редагований текст. Спочатку виконайте OCR, завантажте PDF із можливістю пошуку, а вже потім перетворюйте саме цей файл у DOCX.

Чи зберігається цифровий підпис після розпізнавання тексту?

Ні. OCR змінює вміст PDF, додаючи текстовий шар, тому цифровий підпис перестає бути дійсним. Для юридично важливих документів зберігайте підписаний оригінал без змін, а розпізнану копію використовуйте як робочий файл для пошуку й читання.