OCR для PDF

Безкоштовний інструмент, який розпізнає текст у сканованих PDF за допомогою OCR (оптичного розпізнавання символів) і перетворює їх на PDF із можливістю пошуку. Розпізнаний текст додається на сторінки як невидимий текст, тож сторінки виглядають так само. PDF обробляється у вашому браузері й ніколи не завантажується на сервер. За один раз можна розпізнати до 200 сторінок (до 30 сторінок на пристроях, де обробка триває довше). Можна відкривати PDF розміром до 200 МБ на файл (на телефонах і планшетах — до 100 МБ).

Перевірка середовища…

Лише якщо в PDF є сторінки, текст яких є зображенням, під час першого запуску з цього сайту завантажується ШІ-модель (близько 17 МБ); згодом використовується копія, збережена в браузері. Ваші PDF ніколи не завантажуються на сервер.

Налаштування

Як користуватися

  1. 1

    Додайте PDF

    Виберіть або перетягніть PDF, текст яких потрібно розпізнати. Можна додати кілька PDF одночасно. Ваші PDF ніколи не завантажуються на сервер.

  2. 2

    Виберіть мову документа

    У «Мова документа» виберіть мову, якою написано PDF. Щоб розпізнати лише деякі сторінки, введіть їх у «Діапазон сторінок».

  3. 3

    Розпізнайте й збережіть

    Натисніть «Запустити», щоб розпізнати сторінки, текст яких є зображенням, і створити PDF із текстовим шаром. Збережіть його кнопкою «Зберегти», а розпізнані рядки перевірте через «Перевірити розпізнаний текст».

Про OCR для PDF

Текст розпізнає модель розпізнавання тексту PaddleOCR (PP-OCRv6, Apache-2.0), що працює у вашому браузері. Лише якщо в PDF є сторінки, текст яких є зображенням, під час першого запуску з цього сайту завантажується ШІ-модель (близько 17 МБ); наступні запуски використовують копію, збережену в браузері. На пристроях, які не можуть використовувати GPU (WebGPU), обробка виконується на процесорі й триває довше, ніж на GPU. Після розпізнавання першої сторінки інструмент оцінює загальний час за тим, скільки ця сторінка оброблялася на вашому пристрої, і показує його. Невидимий текст використовує шрифт, створений на основі GlyphLessFont від Tesseract (Apache-2.0).

Сторінки, які вже мають текстові дані, і сторінки, які вже мають текстовий шар OCR, не розпізнаються й залишаються як є. На сторінках, де поєднано текстові дані й зображення, розпізнаються лише частини, що не перекриваються з текстовими даними. Сторінки зі спотвореними текстовими даними (виділений текст дає інші символи) не отримують текстового шару. Вибір японської в «Мова документа» обмежує розпізнавання символами, що використовуються в японських документах, а вибір корейської використовує корейську модель (близько 13 МБ, вона не розпізнає китайських ієрогліфів). Натисніть «Перевірити розпізнаний текст», щоб побачити розпізнані рядки, обведені на сторінці; рядки з імовірнішими помилками показано іншим кольором.

Характеристики цього інструмента

Вхідні дані
PDF
Результат
PDF
Обмеження
Кількість файлів не обмежена (пакетна обробка). До 200 MB на файл (100 MB на телефонах і планшетах). До 200 сторінок за раз (30 на пристроях, що обробляють на процесорі)
  • Безкоштовно, без реєстрації, без встановлення застосунків
  • Файли ніколи не завантажуються на сервер (обробка в браузері)

Поширені запитання

Чи надсилається мій PDF на сервер?

Ні. Відкриття PDF, розпізнавання тексту й збереження відбуваються в браузері на вашому пристрої. На сервер цього сайту надсилається статистика, яка допомагає нам виправляти помилки (діапазон кількості сторінок, діапазони кількості розпізнаних сторінок і рядків, діапазон часу на сторінку, типи помилок тощо). Вона не містить вмісту PDF, розпізнаного тексту, назв файлів, паролів і введених діапазонів сторінок. Статистику можна вимкнути перемикачем «Надсилати статистику обробки» внизу сторінки.

Чи може він розпізнати PDF, захищений паролем, або PDF з обмеженнями від автора?

Так. PDF, захищений паролем, відкривається після введення пароля для відкриття. Якщо автор обмежив зміну вмісту або копіювання й видобування, інструмент не розпізнає PDF, доки ви не введете пароль дозволів (додавання текстового шару дозволило б видобути обмежений текст). Цей інструмент не підбирає паролі, тому якщо ви не знаєте пароля дозволів, зверніться до людини, яка створила PDF. Шифрування оригінального PDF у збереженому PDF залишається як є. Якщо PDF має цифровий підпис, у збереженому PDF підпис більше не дійсний.

Чи може він розпізнати вертикальний текст або рукописний текст?

Він розрахований на друкований текст, написаний горизонтально. Сторінки з вертикальним текстом він теж розпізнає, але з більшою кількістю помилок, ніж горизонтальний текст, і може пропускати розділові знаки. Рукописний текст не підтримується.

Чи може розпізнаний текст містити помилки?

Так. Залежно від розміру тексту, роздільності сканування, плям або перекосу паперу деякі символи можуть бути розпізнані неправильно чи пропущені. Числа, широко рознесені в таблицях, розпізнаються неправильно частіше, ніж інший текст. Якщо як мову документа вибрано «Японська», символи поза наборами кандзі JIS рівнів 1 і 2, а також емодзі можуть бути розпізнані як схожі на вигляд символи. Перш ніж використовувати збережений PDF, перевірте рядки з імовірнішими помилками через «Перевірити розпізнаний текст». Цей інструмент не може виправляти розпізнаний текст.

Допоможіть покращити сервіс

Якщо конвертація чи стиснення не вдаються, надіслані нам обставини допомагають знайти причину. Знаючи, на яких пристроях і з якими форматами збої трапляються найчастіше та скільки триває обробка, ми можемо переглядати підтримувані формати й виправляти помилки, що за цим стоять. Якщо ви не проти, залиште це ввімкненим — це справді допомагає.

Що надсилається

  • Інструмент, яким ви скористалися, і вибрані налаштування (формат результату, якість тощо)
  • Характеристики пристрою (GPU, пам’ять, кількість ядер)
  • Вхідний формат із приблизним розміром
  • Скільки файлів оброблено успішно чи з помилкою і скільки часу це зайняло
  • Тип і подробиці помилки, якщо щось не вдалося

Що ніколи не надсилається

  • Самі файли та їхні назви
  • Текст у PDF, текст, який ви замінили або зачорнили, паролі, назви шрифтів і введені вами діапазони сторінок
  • Розпізнаний текст і розташування розпізнаних рядків
  • IP-адреси

Дані надходять лише на власний сервер цього сайту й ніколи — до сторонніх сервісів.
Повний перелік, зокрема подробиці, які надсилає кожен інструмент, наведено в розділі «Статистика обробки» політики конфіденційності.

Подробиці, які надсилає цей інструмент (лише кількості, час, типи та так/ні)

Крім пунктів «Що надсилається», цей інструмент надсилає такі подробиці.

Інструменти для PDF (усі)
Діапазон кількості сторінок, чи обмежено редагування, чи було введено пароль дозволів і чи PDF підписано або зашифровано.
OCR для PDF
Кількість вхідних і вихідних файлів, прочитаних сторінок, прочитаних сторінок без знайденого тексту, сторінок із текстовими даними, які не читалися, сторінок, що поєднують текстові дані й зображення, сторінок, які вже мали текстовий шар OCR, сторінок зі спотвореними текстовими даними, порожніх сторінок, сторінок, яким не вдалося додати текстовий шар, сторінок із виправленою орієнтацією та сторінок, де було закрито незакритий розділ оригінального вмісту, кількість прочитаних рядків і символів, кількість ділянок і символів, не прочитаних через накладання на наявний текст або примітки, і кількість проходів додавання текстового шару (усе — діапазонами), діапазони частки вертикальних рядків і рядків з імовірнішими помилками, діапазони часу на сторінку та часу завантаження ШІ-моделі, тип і версія ШІ-моделі та чи її було завантажено, діапазон роздільності відтворення й чи її було знижено, діапазон кількості частин, на які ділилося зображення для пошуку тексту, чи перевищував оцінений час 15 хвилин, чи ставав GPU недоступним і чи було знову застосовано захист оригіналу.

Схожі інструменти