Скан есть, текст не ищется: как проверить поисковый PDF

Файл с расширением PDF не обязательно умеет искать текст. Сканирующее приложение может просто положить изображение каждой страницы в контейнер. Глаз видит договор или книгу, а программа поиска видит только картинку. Чтобы находить слова, требуется текстовый слой, созданный исходной программой или OCR — оптическим распознаванием.

Этот разбор отвечает на обещание «бумага превращается в редактируемый текст», которое встречается в обзорах новых камерных сканеров. Мы не проверяли точность устройств из этих видео. Вместо оценки рекламного алгоритма покажем, какие файлы нужно различать, какие проверки выполнить после распознавания и почему расчёт растра не равен размеру итогового PDF.

Три результата одной страницы #

Первый результат — растровый PDF. Он сохраняет внешний вид захвата, но сам по себе не предоставляет буквы для поиска. Второй — PDF с изображением и распознанным текстом. Он может выглядеть почти так же, однако позволяет искать и копировать слова. Третий — редактируемый документ, где приложение пытается восстановить абзацы, таблицы и другую структуру.

Эти результаты отвечают на разные задачи. Для визуального хранения важен сохранённый вид. Для поиска по архиву удобен текстовый слой. Для изменения договора или перевода книги может потребоваться редактируемая структура, которую нельзя считать правильной только потому, что слова распознаны. Таблица может остаться картинкой, разъехаться по строкам или потерять объединённые ячейки.

Наличие текстового слоя не делает файл истинной текстовой копией оригинала. OCR может создать похожие, но неверные символы. Это особенно заметно в номерах, коротких обозначениях и смешении алфавитов. Поэтому проверка файла начинается с назначения: ищете ли вы упоминание, переносите ли сумму в таблицу или готовите документ для долгого хранения?

Настройка приложения и настройка сканера разделяются #

Сканер создаёт изображения по выбранным параметрам, а приложение организует файл и распознавание. В документации NAPS2 OCR описаны включение поискового текста и выбор языков. Важно проверить не только устройство в списке, но и режим сохранения: похожие кнопки «PDF» и «PDF с OCR» могут дать разные результаты.

Сначала выберите источник оригинала и размеры, затем формат результата и параметры распознавания. Не добавляйте несколько исправляющих фильтров одновременно без пробы. Сильное удаление фона может помочь одному листу и убрать слабую деталь другого. Подготовьте маленькую контрольную группу, содержащую обычный текст и характерные сложные места вашего архива.

В настройках Canon IJ Scan Utility параметры зависят от модели и типа документа. Программа предлагает собственный набор вариантов, который нельзя автоматически перенести в другое приложение. Полезен общий порядок: определиться с оригиналом, результатом и проверкой, а названия переключателей искать в актуальном руководстве.

Что разрешение меняет в объёме данных #

Возьмём явно заданный растр размером 2480 × 3508 пикселей. Он содержит 8 699 840 пикселей. При восьми битах на пиксель в оттенках серого данные изображения занимают 8 699 840 байт; при трёх восьмибитных каналах RGB — 26 099 520 байт. В десятичных единицах это приблизительно 8,70 MB и 26,10 MB.

Во второй строке обе стороны растра удвоены, поэтому число пикселей выросло в четыре раза. Это геометрия изображения. Мы не измеряли файл, сохранённый конкретным сканером: кодек, параметры сжатия, метаданные и текстовый слой изменяют итоговый контейнер. Чёрно-белое кодирование также имеет другую структуру данных и не равно восьмибитному серому.

Исследования матрицы dpi и хранения и RGB против серого помогают проверить зависимость размера. Используйте их для оценки масштаба задачи, а не как обещание, что сто PDF страниц всегда займут определённое число мегабайт.

Больший растр не заменяет читаемый исходник #

Если страница смазана, часть текста закрыта переплётом или освещение создаёт блик, добавление пикселей не возвращает отсутствующую информацию. Иногда помогает повторный захват с исправленным размещением. Иногда нужен другой способ освещения или более аккуратная подготовка. Увеличение уже готового изображения добавляет интерполированные данные, а не новое наблюдение букв.

Полезно разделить качество исходника, качество захвата и качество OCR. На первом этапе посмотрите, различимы ли нужные символы глазом. На втором — сохранились ли они на изображении. На третьем — соответствует ли текстовый слой изображению. Когда проверки объединены в одно слово «чётко», трудно понять, какой шаг нужно исправить.

Контрольная страница вместо случайного поиска #

Выберите страницу с обычным абзацем, таблицей, номером, датой и несколькими словами с особенностями вашего языка. Для архива на русском с иностранными наименованиями добавьте смешанную строку. Это не стандартный тест точности алгоритма, а рабочая проверка того, что файл годится для вашей задачи.

1. Найдите обычное длинное слово, которое отчётливо видно на изображении.
2. Скопируйте один абзац и сравните его с исходником.
3. Проверьте порядок слов рядом с колонками или таблицей.
4. Найдите номер и убедитесь, что похожие буквы не подменили цифры.
5. Проверьте начало и конец страницы после автоматической обрезки.
6. Сохраните и заново откройте файл другим просмотрщиком, если он будет у получателя.

Не публикуйте процент точности на основании одного удачного слова. Для количественного сравнения нужна заранее заданная выборка, эталонная транскрипция и методика подсчёта ошибок. Здесь такой тест не проводился. Мы оцениваем пригодность файла по понятным контрольным действиям, не ранжируя программы.

Поиск и копирование проверяют разные вещи #

Поиск может находить отдельное слово, даже когда порядок чтения всей страницы нарушен. Копирование абзаца помогает увидеть этот порядок. Для многоколоночной страницы приложение может смешать левую и правую колонки; таблица может читаться по несоответствующим строкам. Поэтому оба действия нужны, если планируется дальнейшая работа с текстом.

Попробуйте фразу из двух или трёх соседних слов и отдельный номер. Если слово находится, а фраза — нет, проверьте разрывы строк и переносы. Если номер визуально верен, но не ищется, посмотрите текстовый слой. Исправление критичных полей вручную может быть разумнее повторного распознавания всей пачки, однако исходный файл следует сохранить.

Работа с уже существующим PDF #

Полученный по почте PDF тоже может состоять только из картинок. Некоторые приложения позволяют добавить OCR после импорта; документация NAPS2 описывает этот сценарий. Перед операцией создайте отдельную копию и проверьте, есть ли в части страниц уже настоящий текст. Не перекодируйте весь архив многократно только ради одинакового названия формата.

Для смешанного файла контроль должен включать как растровые страницы, так и страницы с прежним текстом. Убедитесь, что после сохранения не потерялись изображения, ссылки и порядок. Если размер внезапно вырос, это ещё не означает улучшение качества. Изменение кодека или режима сохранения может увеличить контейнер без новой полезной информации.

Язык и критичные поля требуют отдельного решения #

Выбирайте языки, реально присутствующие в документе. Не добавляйте длинный набор «на всякий случай» без пробы: проверка результата всё равно обязательна. Для имени, суммы, даты и артикулов особенно важна сверка с изображением. Их смысл зависит от небольшого числа символов, а похожая буква может выглядеть правдоподобно.

Если распознанный текст используется только для поиска, допустим один процесс контроля. Если из него вручную или автоматически переносятся сведения в рабочую таблицу, нужен более строгий контроль используемых полей. Это не юридическая оценка документа: мы различаем задачи обработки и последствия технической ошибки.

Архивный формат не исправляет текст #

PDF/A и OCR решают разные вопросы. Архивный вариант задаёт требования к файлу для хранения, а распознавание добавляет текстовое представление. Файл может соответствовать выбранному архивному профилю и содержать неверно распознанный номер. Он также может иметь отличный текстовый слой, но не соответствовать этому профилю.

Для долгого хранения сначала проверьте полноту и читаемость, затем текстовый результат, затем выбранный формат и резервные копии. Разбор PDF/A для архива помогает не смешивать эти этапы. Исходные изображения и исправляемые рабочие версии желательно различать по имени и назначению, чтобы позднее понимать, какая операция уже выполнялась.

Что показывает официальное видео #

Ниже приведена инструкция Canon USA Support от 8 января 2019 года о сканировании документа. Она показывает исторический интерфейс Windows и последовательность действий в IJ Scan Utility. Видео не подтверждает точность OCR новых устройств и не выдаётся за руководство по современной версии Windows.

Используйте его как иллюстрацию одного приложения, а названия текущих кнопок и совместимость сверяйте с документацией вашей модели. Итоговая проверка проста: нужные страницы сохранены, текст ищется там, где должен, копирование соответствует изображению, а файл повторно открывается. Эти действия важнее красивого обещания «AI» на коробке.

Пригодность текста зависит от того, как его будут использовать #

Для поиска фамилии в большой папке и для переноса суммы в таблицу требуются разные действия контроля. В первом случае найденная страница затем читается человеком по изображению. Во втором ошибочный символ может попасть в дальнейший расчёт, хотя на странице он выглядел убедительно. Поэтому составьте перечень полей, которые будут использоваться дальше, и сверяйте именно их.

Если нужно скопировать большой абзац, проверьте порядок строк и переносы. Если нужно извлечь табличные значения, проверьте соответствие столбцов. Не приравнивайте удобное выделение текста к восстановленной структуре документа. Исправленный текстовый фрагмент храните так, чтобы было понятно, каким изображением он подтверждается.

Эта проверка не требует объявлять одну программу победителем. Она помогает выбрать подходящий результат и не расширять его назначение без контроля. При повторном распознавании используйте сохранённый исходник и ту же контрольную страницу: тогда изменения легче объяснить. Другие способы подготовки и сохранения представлены в разделе программ и драйверов.