Определение
Практика: картинка против текста.
Скан — это изображение. Компьютер видит на нём пятна разной яркости, но не знает, что это буквы. OCR (optical character recognition, оптическое распознавание символов) превращает изображение в текст: программа находит строки, сравнивает формы с образцами и записывает результат в файл. Полученный текст и называется текстовым слоем.
Два вида PDF
Практика: проверять поиском.
PDF-картинка содержит только изображение страницы: текст в нём не выделяется, поиск не находит слов, скопировать абзац нельзя. PDF с текстовым слоем выглядит так же, но под изображением лежит распознанный текст. Простейшая проверка — открыть файл и попробовать найти любое слово поиском.
Зачем это нужно
Практика: три сценария.
Первое — поиск по архиву: без текста найти нужный договор среди сотен файлов можно только по имени. Второе — извлечение данных: номера, даты, суммы из накладных. Третье — доступность и редактирование: текст можно цитировать и переводить. Если ничего из этого не нужно, распознавание — лишний шаг.
Что влияет на качество
Практика: разрешение и оригинал.
Распознавание зависит не от модели устройства, а от качества изображения. Мелкий шрифт, серый фон, наклон листа, линии печати поверх текста — всё это снижает точность. Разрешение ниже 200 dpi обычно даёт много ошибок, 300 dpi — рабочий вариант для документов с мелким текстом.
Где чаще всего ошибается
Практика: проверять цифры.
Русские программы путают похожие буквы и цифры: ноль и «О», единицу и «l», «З» и «3». В таблицах сбивается порядок столбцов, в реквизитах теряются пробелы. Фамилии с редкими сочетаниями букв распознаются хуже. Поэтому автоматическая выгрузка данных из сканов требует сверки хотя бы выборочно.
Язык и словарь
Практика: указывать верно.
Если в настройках выбран неверный язык, результат будет бессмысленным даже при хорошем изображении. Двуязычные документы распознаются лучше при явном выборе обоих языков, чем при попытке угадать. Смешанные документы — русский текст с английскими терминами — частая причина ошибок в названиях.
Скорость и объём
Практика: считать при партиях.
Распознавание добавляет время к каждому листу. На пачке из ста страниц разница заметна: сканирование займёт минуты, а обработка — десятки минут. Для больших партий распознавание запускают отдельно, после сканирования, и не мешают эти два процесса друг другу.
Когда OCR не нужен
Практика: не усложнять без задачи.
Скан подписи, печати, фотографии документа, страницы с рукописными пометками — распознавание здесь даёт мало. Хранение в виде изображения честнее: файл меньше, а ложный текстовый слой не создаёт иллюзию, что документ можно искать. Если скан нужен как доказательство, оригинальное изображение важнее текста.
Долговременный архив
Практика: хранить оба слоя.
Для архива удобно иметь PDF с текстовым слоем: он и выглядит как оригинал, и позволяет искать. При этом исходное изображение не удаляют: при сомнениях в распознанном тексте всегда можно посмотреть на страницу. Хранение одного файла с двумя слоями решает обе задачи.
Как проверить результат
Практика: три действия.
Найти поиском слово из середины документа. Скопировать абзац и посмотреть, нет ли мусора. Сверить одну таблицу или блок реквизитов с изображением. Если все три проверки прошли, файл можно отправлять в архив или контрагенту.
FAQ
Можно ли распознать уже готовый скан? Да, если качество изображения достаточное.
Почему поиск не находит слова? Текстовый слой отсутствует или распознан с ошибками.
Нужно ли 600 dpi для распознавания? Нет, 300 dpi обычно достаточно.
Что запомнить
- OCR превращает изображение страницы в текст, который можно искать.
- PDF с текстовым слоем выглядит как скан, но ищется как документ.
- Качество распознавания зависит от разрешения и ровности листа.
- Цифры и редкие фамилии проверяют глазами.
Чем OCR отличается от распознавания форм
Практика: не путать задачи.
Распознавание текста возвращает символы в их порядке. Распознавание форм ищет в документе поля: номер счёта, дату, сумму — и складывает их в таблицу. Второе сложнее и чаще ошибается, но экономит время на потоке однотипных документов. Начинать стоит с текстового слоя и поиска, а к извлечению полей переходить, когда поток действительно большой.
Ручные пометки и печати
Практика: относиться как к изображению.
Синяя печать, подпись, штамп «копия верна» распознаются плохо: программа либо пропускает их, либо превращает в случайный набор символов. Для документов, где важна именно отметка, ориентируются на изображение. Текстовый слой в таких местах не доказательство, а шум, который легко принять за часть документа.
Где хранится текст
Практика: не редактировать слой вручную.
Текстовый слой лежит поверх изображения отдельным потоком данных. Правки в редакторе, который его поддерживает, меняют только текст, а картинка остаётся прежней — так появляются документы, где поиск находит одно, а на странице написано другое. Если нужна правка, документ пересобирают заново, а не редактируют слой.
Требования контрагентов
Практика: уточнять заранее.
Банки и госорганы иногда принимают только сканы в изображении, без текстового слоя, или наоборот — с обязательным распознаванием. Требования стоит уточнить до отправки партии, иначе документы придётся переделывать. Обычно достаточно одного вопроса в первый раз: дальше правило известно и попадает в памятку.
Выбор программы
Практика: смотреть на набор языков.
Программа распознавания должна поддерживать русский и английский как минимум, а также тот формат вывода, который нужен: PDF с текстовым слоем, DOCX или простой текст. Возможности самой программы сканирования часто ограничены, поэтому для архива удобнее отдельный инструмент. Главное, чтобы результат открывался и искался без исходной программы.
Что важно помнить о качестве
Практика: одна проверка на партию.
Даже при хорошем изображении распознавание ошибается выборочно: одна страница выходит идеально, соседняя — с потерянными строками. Поэтому проверяют не все листы подряд, а несколько из разных мест пачки. Если ошибок нет, партию принимают; если есть, снижают требования к скорости и увеличивают разрешение.
Итог
Текстовый слой нужен там, где по сканам ищут и извлекают данные. Включать его стоит при 200–300 dpi и верном языке, а результат — проверять поиском и сверкой одного блока. Для подписей и доказательных копий достаточно изображения.