Распознать текст в PDF (OCR)
Бесплатный инструмент, который распознаёт текст в отсканированных PDF с помощью OCR (оптического распознавания символов) и превращает их в PDF с возможностью поиска. Распознанный текст добавляется на страницы в виде невидимого текста, поэтому страницы выглядят так же. PDF обрабатывается в браузере и не загружается на сервер. За один раз можно распознать до 200 страниц (на устройствах, где обработка идёт дольше, — до 30). Можно открывать PDF размером до 200 МБ на файл (на телефонах и планшетах — до 100 МБ).
ИИ-модель (около 17 МБ) скачивается с этого сайта при первом запуске и только если в PDF есть страницы, где текст представлен изображением; при следующих запусках используется копия, сохранённая в браузере. Ваши PDF не загружаются на сервер.
Настройки
Как пользоваться
- 1
Добавьте PDF
Выберите или перетащите PDF, которые нужно распознать. Можно добавить несколько PDF сразу. Ваши PDF не загружаются на сервер.
- 2
Выберите язык документа
В поле «Язык документа» выберите язык, на котором написан PDF. Чтобы распознать только часть страниц, укажите их в поле «Диапазон страниц».
- 3
Распознайте и сохраните
Нажмите «Выполнить», чтобы распознать страницы, где текст представлен изображением, и создать PDF с текстовым слоем. Сохраните его кнопкой «Сохранить», а распознанные строки проверьте через «Проверить распознанный текст».
Об OCR для PDF
Текст распознаётся моделью распознавания текста PaddleOCR (PP-OCRv6, Apache-2.0), которая работает внутри вашего браузера. Только если в PDF есть страницы, где текст представлен изображением, при первом запуске с этого сайта скачивается ИИ-модель (около 17 МБ); при следующих запусках используется копия, сохранённая в браузере. На устройствах, которые не могут использовать GPU (WebGPU), обработка идёт на CPU и занимает больше времени, чем на GPU. После распознавания первой страницы инструмент оценивает общее время по тому, сколько заняла эта страница на вашем устройстве, и показывает его. Для невидимого текста используется шрифт, созданный на основе GlyphLessFont из Tesseract (Apache-2.0).
Страницы, у которых уже есть текстовые данные или текстовый слой OCR, не распознаются и остаются как есть. На страницах, где сочетаются текстовые данные и изображения, распознаются только части, не пересекающиеся с текстовыми данными. Страницы с искажёнными текстовыми данными (при выделении текста получаются другие символы) не получают текстовый слой. Если в поле «Язык документа» выбрать «Японский», распознавание ограничивается символами, используемыми в японских документах, а при выборе «Корейский» используется корейская модель (около 13 МБ; китайские иероглифы она не распознаёт). Нажмите «Проверить распознанный текст», чтобы увидеть распознанные строки, обведённые на странице; строки, в которых вероятнее ошибки, выделены другим цветом.
Характеристики инструмента
- Входные данные
- Результат
- Ограничения
- Без ограничения на число файлов (пакетная обработка). До 200 MB на файл (100 MB на телефонах и планшетах). До 200 стр. за раз (30 стр. на устройствах, где обработка идёт на CPU)
- Бесплатно, без регистрации и без установки приложений
- Файлы не загружаются на сервер (обработка в браузере)
Частые вопросы
Отправляется ли мой PDF на сервер?
Нет. Открытие PDF, распознавание текста и сохранение выполняются в браузере на вашем устройстве. На сервер этого сайта отправляется статистика, которая помогает нам исправлять ошибки (диапазон числа страниц, диапазоны числа распознанных страниц и строк, диапазон времени на страницу, типы ошибок и т. п.). В неё не входят содержимое PDF, распознанный текст, имена файлов, пароли и введённые диапазоны страниц. Отправку статистики можно отключить переключателем «Отправлять статистику обработки» внизу страницы.
Можно ли распознать PDF, защищённый паролем или с ограничениями от автора?
Да. PDF, защищённый паролем, открывается после ввода пароля для открытия. Если автор ограничил изменение содержимого или копирование и извлечение, инструмент не распознаёт PDF, пока вы не введёте пароль прав доступа (текстовый слой сделал бы текст, на который действует ограничение, доступным для извлечения). Этот инструмент не подбирает пароли, поэтому, если вы не знаете пароль прав доступа, обратитесь к создателю PDF. В сохранённом PDF шифрование исходного файла остаётся как есть. Если у PDF есть цифровая подпись, в сохранённом PDF она перестаёт быть действительной.
Распознаёт ли он вертикальный или рукописный текст?
Он рассчитан на печатный текст, написанный горизонтально. Страницы с вертикальным текстом он тоже распознаёт, но с большим числом ошибок, чем горизонтальный текст, и может пропускать знаки препинания. Рукописный текст не поддерживается.
Могут ли в распознанном тексте быть ошибки?
Да. В зависимости от размера текста, разрешения скана, пятен или перекоса бумаги некоторые символы могут быть распознаны неверно или пропущены. Числа, широко разнесённые в таблицах, распознаются с ошибками чаще, чем остальной текст. Если в качестве языка документа выбран «Японский», символы вне наборов иероглифов JIS первого и второго уровня и эмодзи могут распознаваться как похожие символы. Перед использованием сохранённого PDF проверьте строки, в которых вероятнее ошибки, через «Проверить распознанный текст». Исправить распознанный текст в этом инструменте нельзя.
Помогите нам улучшить сервис
Если конвертация не удалась, сведения о том, при каких обстоятельствах это произошло, помогают нам найти причину. Зная, на каких устройствах и с какими форматами сбои случаются чаще всего и сколько времени занимает обработка, мы можем пересматривать поддерживаемые форматы и исправлять ошибки, которые стоят за сбоями. Если вы не против, оставьте этот параметр включённым — это нам очень поможет.
Что отправляется
- Использованный инструмент и выбранные настройки (выходной формат, качество и т. п.)
- Характеристики вашего устройства (GPU, объём памяти, число ядер)
- Формат входного файла и его примерный размер
- Сколько файлов обработано успешно или с ошибкой и сколько времени это заняло
- Тип ошибки и сведения о ней, если что-то не удалось
Что никогда не отправляется
- Сами файлы и имена файлов
- Текст в PDF, текст, который вы переписали или закрасили, пароли, названия шрифтов и введённые вами диапазоны страниц
- Распознанный текст и положение распознанных строк
- IP-адреса
Данные отправляются только на собственный сервер этого сайта и никогда — сторонним сервисам.
Полный список, включая подробности для каждого инструмента, приведён в разделе «Статистика обработки» политики конфиденциальности.
Подробности, которые отправляет этот инструмент (только количества, время, типы и «да/нет»)
Помимо пунктов из раздела «Что отправляется», этот инструмент отправляет следующие подробности.
- Инструменты для PDF (все)
- Диапазон числа страниц; ограничено ли редактирование; был ли введён пароль прав доступа; подписан ли PDF и зашифрован ли он.
- OCR для PDF
- Число входных и выходных файлов; число страниц: распознанных, распознанных без найденного текста, с текстовыми данными, которые не распознавались, со смешением текстовых данных и изображений, с уже имевшимся текстовым слоем OCR, с искажёнными текстовыми данными, пустых, на которые не удалось добавить текстовый слой, с исправленной ориентацией и тех, где был закрыт незакрытый раздел исходного содержимого; число распознанных строк и символов; число областей и символов, которые не распознавались, потому что перекрывались с существующим текстом или аннотациями; число проходов добавления текстового слоя (все эти числа — в виде диапазонов); диапазоны доли вертикальных строк и строк с повышенной вероятностью ошибок; диапазоны времени на страницу и времени загрузки ИИ-модели; тип и версия ИИ-модели и была ли она скачана; диапазон разрешения отрисовки и было ли оно понижено; диапазон числа частей, на которые изображение делилось для поиска текста; превышало ли расчётное время 15 минут; стал ли GPU недоступен; была ли повторно применена исходная защита.