Что делает OCR
Отсканированная страница — это картинка. Вы можете её прочитать, но компьютер видит лишь набор точек: по ней нельзя искать, из неё нельзя скопировать предложение, а программа экранного доступа не сможет прочитать её вслух. OCR (оптическое распознавание символов) находит на картинке буквы и превращает их в настоящий текст.
В режиме PDF с возможностью поиска инструмент сохраняет изображения страниц без изменений и добавляет под ними невидимый текстовый слой. Документ выглядит так же, но в нём можно искать по Ctrl+F, выделять и копировать текст, а также находить его через поиск на компьютере или в системе документооборота. В режиме Обычный текст (.txt) вы получаете только распознанный текст, который можно сразу вставить в письмо или документ.
Языки
Распознавание работает гораздо лучше, если известен язык. Выберите все языки, которые встречаются в документе, — не более четырёх. Чем меньше языков, тем быстрее и точнее распознавание. Доступные языки:
английский, испанский, португальский, французский, немецкий, итальянский, нидерландский, шведский, датский, польский, чешский, словацкий, венгерский, румынский, греческий, русский, турецкий, индонезийский, вьетнамский, тайский, китайский (упрощённый), китайский (традиционный), японский и корейский.
Параметры для лучшего результата
- Выравнивать наклонённые страницы (включено по умолчанию): страницы, отсканированные под небольшим углом, поворачиваются ровно. Это улучшает распознавание, а документ выглядит аккуратнее.
- Убрать шум после сканера: перед распознаванием удаляет пятнышки и грязь на некачественных сканах.
- Страницы, в которых уже есть текст: Оставить как есть — распознаются только страницы без текста, что подходит для большинства сканов. Выполнить OCR заново — заменяет старый или плохой текстовый слой. Растрировать и распознать всё — превращает каждую страницу в изображение и распознаёт заново; используйте, если имеющийся текст отображается некорректно.
Как добиться хорошего распознавания
Важнее всего качество скана. Сканируйте с разрешением 300 dpi; 200 dpi — минимум для обычного текста, а для мелкого шрифта нужно больше. Для текста достаточно чёрно-белого или серого режима. Фото с телефона подойдут, если страница ровная, чёткая и равномерно освещена, а снимок сделан строго сверху. Печатный текст распознаётся очень надёжно; рукописный, как правило, нет. Таблицы сохраняют содержимое, но сложные макеты с несколькими колонками могут получиться в текстовом файле с другим порядком чтения.
Обработка на сервере, ограничения и конфиденциальность
OCR требует больших вычислительных мощностей, поэтому выполняется на нашем собственном сервере с помощью OCRmyPDF и Tesseract — двух известных программ с открытым исходным кодом. Файлы передаются по зашифрованному соединению HTTPS, обрабатываются и сразу удаляются; результаты удаляются в течение 15 минут. Документ может содержать до 300 страниц и весить до 100 MB. Большие сканы обрабатываются некоторое время; на странице отображаются ход выполнения и ваше место в очереди.
OCR используют и другие инструменты сайта: PDF в Word и PDF в Excel автоматически распознают отсканированные страницы, а DjVu в PDF может сделать результат доступным для поиска. Чтобы уменьшить размер большого отсканированного PDF после OCR, воспользуйтесь инструментом Сжатие PDF.