Инструмент Файлы

OCR и извлечение текста из PDF

Извлекайте текст PDF или распознавайте текст на сканированных страницах. Выберите файл, обработайте его локально и скачайте новую копию.

Запускается в вашем браузере. Нет загрузки.

В PDF с текстом его можно извлечь без OCR.

Об этом инструменте

OCR и извлечение текста из PDF — это просто.

Извлекайте текст PDF или распознавайте текст на сканированных страницах. Файл остаётся на устройстве; скорость зависит от устройства и браузера.

Справка

Как пользоваться: OCR и извлечение текста из PDF

Эта страница извлекает текст из PDF. Если на странице уже есть выделяемый текст, она копирует его напрямую. Если страница — только картинка, как в скане, страница запускает оптическое распознавание символов, или OCR, чтобы прочесть буквы с изображения. Вы выбираете язык печатного текста и страницы для чтения, нажимаете одну кнопку, а затем копируете текст. PDF открывается и читается на вашем устройстве. Результат — только простой текст. Страница не создаёт новый PDF с поиском, не сохраняет вёрстку и плохо читает рукописный текст.

Пошагово

  1. Нажмите на поле файла под «Выберите отсканированный PDF» и выберите PDF на вашем устройстве.
  2. Откройте «Язык текста» и выберите язык, напечатанный на страницах. За один запуск можно использовать только один язык, и это важно только для страниц-картинок.
  3. В поле «Страницы для сканирования» оставьте слово all или введите страницы, например 1-3,5. Номера должны быть от 1 до последней страницы файла.
  4. Нажмите «Извлечь текст / OCR». Появится индикатор выполнения, а строка состояния будет отсчитывать страницы, например «Чтение страницы 1 из 3». Для отсканированной страницы сначала нужно загрузить языковой файл, поэтому первый запуск может занять больше времени.
  5. Прочитайте поле «Извлечённый текст». Каждая страница начинается со строки вроде --- Page 1 ---, а страницы разделены пустой строкой.
  6. Нажмите «Копировать текст», чтобы вставить его в свой редактор, или «Скачать TXT», чтобы сохранить текст как обычный файл. Нажмите «Очистить», чтобы начать заново.

Разобранные примеры

PDF, в котором уже есть выделяемый текст

Вы вводите
PDF
1 страница с текстовыми строками: Заметки о встрече садового клуба / Следующая встреча во вторник вечером
Язык
Английский
Страницы
все
Вы получаете
Текст
--- Страница 1 --- Заметки о встрече садового клуба Следующая встреча во вторник вечером

Текст взят прямо из файла, без OCR. Две строки были соединены пробелом, поэтому переносы строк теряются на страницах со своим текстом.

Не рассчитано инструментом. Воспринимайте как иллюстрацию.

Отсканированная страница, прочитанная с помощью OCR

Вы вводите
PDF
1 страница, которая представляет собой просто картинку со словами Счёт 2026 / К оплате 45 евро
Язык
Английский
Страницы
все
Вы получаете
Текст
--- Страница 1 --- Счёт 2026 К оплате 45 евро

Выделить текст не удалось, поэтому страница была отрисована как изображение и прочитана с помощью OCR. На этой тестовой картинке был чистый крупный шрифт. Реальные сканы менее аккуратны, поэтому всегда проверяйте результат.

Не рассчитано инструментом. Воспринимайте как иллюстрацию.

Файл, в котором смешаны сканы и настоящий текст

Вы вводите
PDF
3 страницы: картинка с текстом, страница с настоящим текстом, картинка с текстом
Язык
Английский
Страницы
все
Вы получаете
Текст
--- Страница 1 --- Счёт 2026 К оплате 45 евро --- Страница 2 --- На этой странице есть настоящий выделяемый текст --- Страница 3 --- Привет, отсканированный мир Вторая строка здесь

На странице 2 был собственный текст, поэтому он был скопирован напрямую. Страницы 1 и 3 были прочитаны с помощью OCR. В результате сохранён исходный порядок страниц.

Не рассчитано инструментом. Воспринимайте как иллюстрацию.

Неверный язык теряет диакритические знаки

Вы вводите
PDF
1 отсканированная страница с текстом Camión rápido / El niño está aquí
Язык a
Английский
Язык b
Español
Вы получаете
Английский
Camion rapido El nino esta aqui
Español
Camión rápido El niño está aquí

С английской моделью диакритические знаки были потеряны. Точные неверные буквы могут меняться в зависимости от картинки и шрифта. С испанской моделью текст получился правильным. Выберите язык, который соответствует печатной странице.

Не рассчитано инструментом. Воспринимайте как иллюстрацию.

Выбор страниц с помощью диапазона

Вы вводите
PDF
4 страницы
Страницы
3, 1-2
Вы получаете
Прочитано страниц
1, 2, 3
Страница пропущена
4

Номера упорядочиваются, а повторы объединяются. Страница 4 не читается. Номер вне файла, например 0-2 или 2-9 для файла из 4 страниц, даёт сообщение «Выберите номера страниц от 1 до 4».

Рассчитано кодом самого инструмента.

Файл более чем со 120 страницами

Вы вводите
PDF
121 страница
Страницы
1-3
Вы получаете
Статус
В целях безопасности этот инструмент поддерживает до 120 страниц за раз. Используйте диапазон страниц, чтобы обработать меньший фрагмент.

Количество страниц всего файла проверяется до применения диапазона. Поэтому файл на 121 страницу отклоняется, даже если вы просите три страницы. Файл на 120 страниц с диапазоном 119-120 сработал.

Рассчитано кодом самого инструмента.

Когда это полезно

  • Скопируйте слова из отсканированного письма, формы или печатной страницы в письмо или документ.
  • Получите текст отсканированной статьи или главы книги, чтобы искать по нему или цитировать его.
  • Извлеките текст из PDF, в котором слова нельзя выделить мышью.
  • Превратите несколько страниц отсканированного договора или отчёта в текст, который можно читать на небольшом экране.
  • Прочитайте отсканированный раздаточный материал на одном из 16 языков, предлагаемых на странице.
  • Прочитайте только одну главу длинной отсканированной книги, введя диапазон её страниц.

Ограничения, которые стоит учитывать

  • Языки OCR: английский, испанский, французский, немецкий, португальский, арабский, китайский (упрощённый), японский, корейский, хинди, бенгальский, русский, урду, турецкий, вьетнамский и индонезийский. За один запуск можно выбрать только один, и страница не может определить язык сама.
  • Весь файл может содержать не более 120 страниц, даже если вы запрашиваете меньше диапазоном страниц. Для более длинного файла сначала разделите его инструментом для PDF.
  • Страница считается настоящим текстом, только если на ней больше 20 выделяемых символов. Любая другая страница отрисовывается как изображение и читается с помощью OCR, даже если на ней есть несколько случайных символов.
  • Страницы отрисовываются при увеличении до 1.7 раза от исходного размера и шириной не более примерно 1,800 пикселей перед распознаванием, поэтому очень мелкий шрифт, бледные чернила, колонки, таблицы и рукописный текст часто читаются неверно.
  • Результат — только простой текст. Вёрстка, изображения, таблицы и шрифты не сохраняются, страницы с текстом выводятся без переносов строк, а PDF с поиском не создаётся.
  • Нажатие «Отмена» останавливает чтение после текущей страницы. Текст уже прочитанных страниц сохраняется, и можно снова нажать «Извлечь».

Советы

  • Сначала попробуйте одну-две страницы, введя диапазон вроде 1-2. Проверьте язык и качество, затем запустите весь файл.
  • Выберите язык печатного текста, а не язык вашего экрана. Неверный выбор приводит к потере диакритических знаков и неправильному распознаванию букв.
  • Используйте ровный, чёткий, хорошо освещённый скан. Перекошенные, размытые или затенённые страницы дают худший текст.
  • Сверьте результат со страницей, особенно числа, даты, имена и суммы, где важна каждая цифра.
  • Разбейте длинный файл на части меньше 120 страниц и обрабатывайте части одну за другой.
  • Не закрывайте эту вкладку, пока не закончится сканирование: на медленном устройстве длинные файлы могут обрабатываться долго.

Источники

Общие вопросы

О сервисе «OCR и извлечение текста из PDF».

Можно ли скопировать текст из отсканированного PDF?

Да. Выберите файл и язык и нажмите «Извлечь текст / OCR». Страницы, которые являются только картинками, читаются OCR, и текст появляется в поле для копирования. Распознавание может ошибаться, поэтому сверяйте результат со страницей.

Загружается ли мой PDF на сервер?

Нет. PDF открывается и читается в вашем браузере. Движок OCR и языковой файл при первой необходимости загружаются из файлов этого же сайта. Содержимое вашего PDF никуда не отправляется.

Какие языки он может читать?

Доступно 16 языков: английский, испанский, французский, немецкий, португальский, арабский, китайский (упрощённый), японский, корейский, хинди, бенгальский, русский, урду, турецкий, вьетнамский и индонезийский. Язык выбирается для каждого запуска, поэтому страницу с двумя языками лучше разделить на отдельные запуски.

Почему мне нужно выбирать язык?

Движок распознавания использует языковой файл, чтобы знать, каких букв и слов ожидать. Неверный выбор даёт неверные результаты, например потерю диакритических знаков. Язык важен только для отсканированных страниц, потому что настоящий текст копируется как есть.

Почему первый запуск был медленным?

На первой отсканированной странице браузеру нужно загрузить движок OCR, несколько мегабайт, и языковой файл, который для предлагаемых языков занимает примерно от 0.4 до 2 MB. Страница сообщает, что браузер сохраняет файл, поэтому последующие запуски быстрее, если кэш не очищен.

Как инструмент решает, что странице нужно OCR?

Сначала он пытается прочитать текст, сохранённый на каждой странице. Если на странице больше 20 символов выделяемого текста, используется он. Если нет, страница отрисовывается как изображение и читается с помощью OCR. Если текст есть на всех страницах, OCR не запускается и языковой файл не загружается.

Создаёт ли он PDF с возможностью поиска?

Нет. Он даёт обычный текст для копирования, а исходный PDF не меняется. Если вам нужен PDF со скрытым текстовым слоем, понадобится другой инструмент.

Почему некоторые страницы выходят одной длинной строкой?

Страницы, в которых уже есть собственный текст, читаются элемент за элементом и объединяются пробелами, поэтому их разрывы строк не сохраняются. Страницы, прочитанные с помощью OCR, сохраняют разрывы строк, которые распознаватель нашёл на картинке.

Насколько точен результат?

Это зависит от скана. Чистая, крупная, ровная печать на нужном языке читается хорошо. Мелкий шрифт, бледные чернила, рукописный текст, колонки и таблицы чаще распознаются с ошибками. Всегда проверяйте имена, даты и числа, прежде чем использовать текст.

Есть ли ограничение на количество страниц или размер файла?

В файле может быть не более 120 страниц всего. В коде страницы нет ограничения размера в мегабайтах, но большие файлы требуют больше памяти устройства и обрабатываются дольше, так как страницы читаются одна за другой.

Как сохранить текст в файл?

Нажмите «Скачать TXT», чтобы сохранить обычный текстовый файл, или «Копировать текст» и вставьте его в редактор. Поле «Извлечённый текст» только для чтения, поэтому редактировать в нём нельзя. Каждая страница начинается со строки вроде --- Page 1 ---, которую можно удалить в редакторе.

Может ли он читать рукописный текст или таблицы?

Ненадёжно. Движок распознавания создан для печатного текста. Рукописный текст часто читается неверно, а таблицы выходят строками обычного текста без рядов и столбцов. Используйте результат как черновик, который вы исправляете вручную.

Как работает инструмент «OCR и извлечение текста из PDF»?

Извлекайте текст PDF или распознавайте текст на сканированных страницах. Выберите файл, обработайте его локально и скачайте новую копию.

Мои файлы загружаются на сервер?

Обработка локальная; отправлять файлы не нужно.