IMG PDF против текстового PDF: как извлечь текст из скана

IMG PDF — это PDF-файл, состоящий исключительно из изображений (сканов страниц), без встроенного текстового слоя. В таком документе нельзя выделить текст курсором или выполнить поиск по словам. Чтобы сделать содержимое доступным для поиска и редактирования, применяется технология OCR (Optical Character Recognition) — оптическое распознавание символов, которое преобразует картинку в машиночитаемый текст.

Что такое IMG PDF и чем он отличается от обычного PDF

Важно понимать разницу между двумя типами PDF-документов, так как от этого зависит способ работы с ними:

1. Текстовый PDF (Native PDF). Создается экспортом из Word, Excel или версткой. Текст внутри является векторным объектом. Его можно копировать, искать и редактировать без дополнительных инструментов.
2. IMG PDF (Image-based PDF). Это «контейнер» для растровых изображений. Каждая страница — это фотография листа. Для компьютера это просто набор пикселей, а не буквы.

Почему файлы сохраняют как IMG PDF?

• Архивация: Точная визуальная копия бумажного документа (договоры, акты, старые книги).
• Юридическая сила: Сканы с печатями и подписями часто требуются в неизменном графическом виде.
• Сложное форматирование: Когда сохранение структуры через экспорт ломает верстку, проще отсканировать страницу.

Зачем нужно распознавание текста (OCR)

Преобразование IMG PDF в документ с текстовым слоем решает несколько критических задач:

• Полнотекстовый поиск. Вы сможете найти нужную фамилию или номер договора за секунды, даже в архиве из тысяч страниц.
• Редактирование и копирование. Возможность вытащить цитату, таблицу или абзац для использования в других документах.
• Доступность. Screen readers (программы экранного доступа) для слабовидящих не могут прочитать картинку, но легко озвучивают распознанный текст.
• Сжатие объема. Современные алгоритмы OCR позволяют создавать гибридные PDF, где текст хранится отдельно, а изображение оптимизируется, что часто уменьшает вес файла.

От чего зависит качество распознавания

Результат работы OCR-движка напрямую связан с качеством исходного изображения. Ключевые факторы:

1. Разрешение (DPI). Оптимальное значение — 300 dpi. При 150 dpi мелкие шрифты могут «поплыть», при 600+ dpi время обработки растет без существенного прироста точности.
2. Контрастность и чистота. Темный фон, пятна, тени от переплета и низкий контраст между чернилами и бумагой снижают точность.
3. Ориентация текста. Страница должна быть строго вертикальной. Перекос даже на 2–3 градуса может привести к ошибкам в строках.
4. Шрифт и язык. Стандартные печатные шрифты распознаются лучше рукописных или декоративных. Важно правильно указать язык документа в настройках программы.

Способы распознавания текста в IMG PDF

Выбор инструмента зависит от объема задач, требований к конфиденциальности и бюджета.

1. Онлайн-сервисы (для разовых задач)

Подходят для небольших файлов, не содержащих персональных данных.

• Принцип: Загрузка файла на сервер -> обработка -> скачивание результата.
• Плюсы: Не нужно устанавливать ПО, быстро, часто бесплатно.
• Минусы: Риск утечки данных, лимиты на размер файла, невозможность тонкой настройки.
• Примеры: Smallpdf, iLovePDF, OnlineOCR.net.

2. Десктопные программы (для профессиональной работы)

Золотой стандарт для офисов и архивов.

• ABBYY FineReader PDF: Лидер рынка по качеству распознавания, особенно для сложных таблиц и русского языка. Сохраняет исходную верстку.
• Adobe Acrobat Pro: Встроенная функция «Распознать текст». Хороша для интеграции в рабочий процесс PDF, но уступает FineReader в сложной структуре.
• Плюсы: Высокая точность, пакетная обработка, работа офлайн (безопасность).
• Минусы: Стоимость лицензий.

3. Open Source решения (для разработчиков и автоматизации)

• Tesseract OCR: Бесплатный движок от Google. Работает через командную строку или библиотеки (Python, C++).
• Плюсы: Полностью бесплатно, гибкая настройка, легко встроить в свой софт.
• Минусы: Требует навыков программирования, чувствителен к качеству входного изображения, плохо справляется с таблицами «из коробки».

Сравнение популярных решений

Пошаговая инструкция: как сделать качественный OCR

Независимо от выбранного инструмента, алгоритм действий схож:

1. Подготовка файла. Убедитесь, что сканы четкие, без темных полей. Если есть перекос, исправьте его.
2. Выбор языка. В настройках OCR обязательно укажите языки, присутствующие в документе (например, «Русский + Английский»). Это критически важно для корректного распознавания смешанных текстов.
3. Запуск распознавания.
   • В FineReader: нажмите «Распознать» -> выберите режим «Точная копия» (сохраняет вид) или «Редактируемая копия» (для Word).
   • В Acrobat: Инструменты -> Распознать текст -> В этом файле.
4. Проверка и корректура. Программа подсветит слова, в которых она не уверена. Пройдитесь по ним вручную. Особое внимание уделите цифрам (номера счетов, даты) — ошибки здесь критичны.
5. Экспорт. Сохраните результат как «PDF с возможностью поиска» (Searchable PDF). В таком файле остается фоновая картинка (для визуальной точности), а сверху накладывается невидимый текстовый слой.

Частые проблемы и их решения

• «Кракозябры» вместо текста.
  • Причина: Не выбран правильный язык распознавания или поврежден файл.
  • Решение: Перезапустите OCR с явно указанным языком.
• Потеря форматирования таблиц.
  • Причина: Слабый алгоритм определения структуры.
  • Решение: Используйте специализированные режимы «Таблица» в FineReader или экспортируйте данные сразу в Excel, а не в Word.
• Файл стал слишком тяжелым.
  • Причина: Изображения вставлены без сжатия.
  • Решение: При сохранении выберите сжатие JPEG (среднее качество) или монохромное сжатие CCITT G4 для черно-белых документов.

FAQ

Можно ли распознать рукописный текст? Стандартные OCR-системы (ABBYY, Tesseract) плохо справляются с почерком. Для этого нужны нейросетевые решения (например, Microsoft Azure Computer Vision или специализированные сервисы типа ABBYY Cloud с поддержкой Handwriting), но точность все равно будет ниже, чем при печати.

Безопасно ли загружать паспорта и договоры в онлайн-OCR? Нет. Для документов с персональными данными используйте только локальное ПО (Desktop-версии), которое работает без интернета.

Что такое «невидимый текстовый слой»? Это текст, который наложен поверх изображения страницы. Он не виден глазу (не перекрывает картинку), но доступен для выделения, копирования и поиска. Это стандартный формат для архивных сканов.

Почему поиск в PDF не работает после сохранения из Word? Если вы создали PDF из Word, он уже текстовый. Если же вы отсканировали документ в JPG, а потом собрали в PDF — он станет IMG PDF. Поиск не работает, потому что внутри нет букв, только пиксели.