OCR (optical character recognition)

OCR (optical character recognition, оптическое распознавание символов) — преобразование изображения текста в машиночитаемый текст.

Зачем нужно #

Скан без распознавания — картинка: по нему нельзя искать, из него нельзя скопировать, его не индексируют системы документооборота. Распознавание добавляет к изображению невидимый текстовый слой, и файл становится документом.

Что определяет качество #

Прежде всего качество исходника, а не выбор движка:

• разрешение — 300 dpi для обычного шрифта, 400–600 для мелкого;
• режим — оттенки серого или цвет, но не 1 бит: он рвёт тонкие штрихи;
• перекос — больше 0,5° ломает разбор страницы на строки;
• равномерность контраста по листу.

Главный риск #

Ни один движок не сообщает, что ошибся: он выдаёт наиболее вероятный вариант. При точности 98 % на странице из 2000 символов будет около 40 ошибок, и все они выглядят как обычный текст.

Для документов, по которым принимают решения, распознанный текст — удобство поиска, а не источник данных. Сверять нужно с изображением.

Сравнение подходов и инструментов — OCR в 2026.