Когда стоит распознавать текст
Отсканированный договор, старое письмо или чек, сфотографированный на телефон, — это просто картинка внутри PDF-файла: в ней нельзя ничего найти, нельзя скопировать предложение, и программа экранного доступа не сможет прочитать её вслух. После OCR файл ведёт себя как обычный электронный документ, но выглядит по-прежнему как бумажный оригинал.
Советы для лучшего результата
- Если сканер позволяет выбрать разрешение, сканируйте с разрешением 300 DPI; для мелкого шрифта минимум — 200 DPI.
- Кладите страницы ровно и следите, чтобы они были равномерно освещены; перекошенный скан можно заранее выровнять инструментом «Выровнять PDF». Тени и сгибы — самая частая причина пропущенных слов.
- Выберите язык документа. Если английский и турецкий перемешаны, вариант «Английский + турецкий» распознаёт оба.
Если результат не такой, как ожидалось
- Буквы перепутаны или пропущены. Посмотрите на скан в полном размере. Если вам самим трудно его прочитать, OCR тоже вряд ли справится; отсканируйте заново при лучшем освещении, положив страницу ровно.
- Буквы с диакритикой распознаются без неё. Если «é» превращается в «e», а турецкая «ş» — в «s», обычно это значит, что выбран не тот язык. Запустите распознавание ещё раз с подходящим языком.
- Рукописный текст пропускается. OCR рассчитан на печатный текст. Аккуратно написанные печатные буквы иногда распознаются, но подписи, пометки на полях и рукописный текст слитным почерком надёжно не распознаются.
- В скопированных таблицах теряются столбцы. Распознанные слова стоят точно там же, где и на странице, поэтому поиск работает. Но при копировании столбцы могут слиться в строки, так что проверяйте таблицы после перевода в Word.
- Длинный скан обрабатывается несколько минут. Распознавание идёт на вашем собственном процессоре, страница за страницей. Не закрывайте вкладку или сначала извлеките нужные страницы и распознавайте только их.
Как проверить результат за минуту
Чтобы понять, сработало ли распознавание, не нужно читать весь файл. Откройте новый PDF-файл, нажмите Ctrl+F (на Mac — Cmd+F) и найдите слово, которое точно есть на странице: имя, название компании, заголовок. Если программа для просмотра подсветит его в нужном месте, текстовый слой на этой странице работает. Если ничего не найдено, посмотрите на эту страницу: обычно она бледная, перекошенная или сфотографирована под углом.
Особенно внимательно проверяйте цифры. Неверно распознанную букву в слове легко заметить по смыслу, а неверную цифру — нет. Чаще всего путаются похожие символы: ноль и буква O, единица и строчная l, пятёрка и S, восьмёрка и B. Когда копируете из распознанного скана номер счёта, сумму или дату, прежде чем их использовать, сверьте их с изображением цифра за цифрой.
Что делать дальше
Если у вас не PDF-файл, а фото или скриншот, инструмент «Распознать текст с фото» сразу выдаст слова в виде текста.
Когда в PDF-файле заработает поиск, его можно перевести в Word, чтобы редактировать текст, извлечь текст в виде обычных слов или сжать перед отправкой по почте — сканы часто бывают большими.
Сканируете бумаги на Mac? В инструкции о том, как отсканировать документ в PDF на Mac, рассказано, как сканировать камерой iPhone и в программе «Захват изображений», а затем распознать текст скана здесь.