Как распознать текст из PDF в Word и проверить, что OCR не ошибся
Многим PDF распознавание не нужно вовсе, а скану нужна проверка после него. Ниже вы за 10 секунд узнаете, какой у вас файл, соберёте план под него и найдёте ошибки, которые OCR оставляет незаметными: латинскую «е» в русском слове или «З» вместо тройки в сумме.
Как понять, нужно ли распознавать текст из PDF?
Откройте файл и попробуйте выделить одно слово. Если выделилось слово, в PDF уже есть текстовый слой: откройте файл в Word через «Файл → Открыть» или просто скопируйте текст. Если выделилась вся страница или ничего, страница — это картинка, и буквы на ней нужно распознать. Это и есть OCR, оптическое распознавание символов.
Проверка за 10 секунд
Нужен ли вашему PDF OCR?
Сохранён из Word: есть текстовый слой
Выберите действие выше.
Скан: страница — это картинка
Выберите действие выше.
Бывают и смешанные файлы: договор, сохранённый из Word, к которому в конце подшили скан подписанной страницы. Проверьте выделение на первой и на последней странице.
Соберите план для своего файла
Ответьте на пять вопросов о своём PDF. План покажет, что делать до распознавания и что проверять после. Запрос в чат Анализавра соберётся из тех же ответов: останется прикрепить файл.
Шаг 1 из 3 · 1 минута
Какой у вас PDF?
Пять вопросов о вашем файле. По ответам соберётся план и запрос для Анализавра.
1. Откройте PDF и попробуйте выделить одно слово мышью. Что выделилось?
Это главный вопрос: от ответа зависит, нужно ли распознавание вообще.
2. Откуда этот PDF?
3. Что на страницах важнее всего?
4. Что нужно получить?
5. Сколько страниц?
Шаг 2 из 3 · ваш план
Ответьте хотя бы на первые два вопроса, и здесь появится план для вашего файла.
Шаг 3 из 3
Распознайте свой файл в Анализавре
Запрос собран из ваших ответов. Прикрепите PDF кнопкой «+» и нажмите «Начать». Анализавр вернёт текст, пометит нечитаемое знаком [?] и отдельно выпишет даты и суммы для сверки.
Какие ошибки делает OCR и как их найти
Программа распознавания не оставляет пустых мест: где буква неясна, она ставит похожую. Поэтому распознанный текст выглядит чистым, а ошибки всплывают позже: договор не находится поиском по сроку, сумма не складывается в Excel. Попробуйте найти их сами на вымышленном уведомлении.
Тренажёр · 2 минуты
Найдите шесть ошибок распознавания
Сравните скан вымышленного уведомления с текстом, который вернул OCR. Нажмите на слова, где он ошибся, затем «Проверить».
Проверьте свой распознанный текст
Вставьте кусок текста после OCR. Подсветятся латиница в русских словах, буквы вместо цифр, забытые переносы и лишние символы. Текст никуда не отправляется.
OCR вернул сумму «1 З00 ₽». На экране она выглядит нормально. Что с ней не так?
Где распознать текст из PDF и что проверить после
Способ выбирайте по файлу, а не по рейтингу программ. Для PDF с текстовым слоем хватит Word. Скан распознают и бесплатные сервисы, и платные программы, и чат. Проверка после любого из них одна и та же: даты, суммы, номера и слова, по которым вы потом будете искать.
| Способ | Для какого файла | Что проверить после |
|---|---|---|
| Word: «Файл → Открыть» | PDF с текстовым слоем, сохранённый из программы | Абзацы и колонки: Word восстанавливает вёрстку и может склеить сноски с текстом |
| Google Документы: «Открыть с помощью» | Скан с чётким печатным текстом | Таблицы и колонки: оформление теряется, остаётся текст |
| Онлайн-конвертер с OCR | Скан, если включить распознавание и выбрать русский язык | Латиница в русских словах, если язык был выбран неверно |
| Программа с OCR (например, ABBYY FineReader) | Большие архивы сканов и сложная вёрстка | Даты и суммы: программа тоже ставит похожий символ вместо неясного |
| Анализавр, чат | Скан или фото, когда нужен не только текст, но и ответ по нему | Места с пометкой [?] и список дат и сумм, если попросить выписать их отдельно (запрос выше это делает) |
Пусть распознавание помечает, а не угадывает
Самая дорогая ошибка OCR — правдоподобная: 03.11 прочитано как 08.11. Поэтому в запросе Анализавру выше стоит «нечитаемое пометь [?]». Если фото размыто или обрезано, он скажет, какое место не читается, и попросит переснять, а не подставит похожую цифру.
Как ускорить проверку большого файла
- Распознайте две страницы и проверьте их целиком. Много ошибок — улучшите скан, а не текст.
- Прогоните весь текст через автопроверку выше: она найдёт смешанные алфавиты, буквы в числах и переносы.
- Даты, суммы и номера сверяйте со сканом каждую: их автопроверка не отличит от верных.
- Поищите в тексте три-четыре слова, которые точно есть в документе. Не нашлось — ищите подмену букв рядом.
Частые вопросы
Как распознать текст из PDF в Word бесплатно?
Почему текст из PDF не копируется?
Почему распознанный текст не находится поиском?
Можно ли распознать рукописный текст из PDF?
Как распознать таблицу, а не только текст?
Таблицы из сканов разобраны в упражнении как распознать таблицу из PDF, сверка двух редакций — в главе как сравнить два PDF-файла, перевод распознанного текста — в главе как перевести PDF на русский. Все упражнения собраны в практикуме по PDF. Обзор работы с документами в чате есть в руководстве Twelver по анализу документов.
Попробуйте сами
Разберите свой PDF в Анализавре
Прикрепите PDF и попросите выписать строки или сопоставить условия. Цифры и цитаты сверяйте с исходными страницами.
Открыть чат Анализавра