Как конвертировать отсканированный PDF в Word и почему результаты бывают разными

Два PDF могут выглядеть на экране одинаково и совершенно по-разному вести себя при конвертации в Word. Один сохранён из текстового редактора и содержит настоящий текст. Другой создан сканером или камерой телефона, и каждая его страница — фотография текста. Чтобы превратить второй в редактируемый документ, конвертер должен сначала прочитать буквы с изображения, а затем угадать, как была свёрстана страница. На обоих шагах возможны ошибки, и в этом руководстве объясняется, где, почему и что с этим можно сделать.

Как понять, что PDF отсканирован

Самая быстрая проверка — попробовать выделить одно слово. Если курсор рисует рамку вокруг всей страницы, а не выделяет слово, страница является изображением. Вторая проверка — поиск через Ctrl+F (Cmd+F на Mac): на отсканированной странице ничего не находится, даже слово, которое вы видите.

Помогает и увеличение. Настоящий текст остаётся чётким при любом масштабе, потому что рисуется шрифтом. Отсканированный текст при увеличении становится размытым и угловатым, потому что состоит из пикселей.

Некоторые сканы смешанные. Программы сканеров часто запускают распознавание текста при сохранении файла и прячут распознанный текст за изображением, чтобы его можно было выделять и искать. Но этот скрытый текст хорош ровно настолько, насколько хороша догадка сканера. Скопируйте абзац в простой текстовый редактор, и вы увидите, что там на самом деле, включая ошибки распознавания.

Что на самом деле делает OCR

OCR, или оптическое распознавание символов, — это процесс, который превращает изображение текста в символы. Он идёт поэтапно. Сначала изображение очищается: выравнивается, если оно перекошено, и корректируется его контраст. Затем программа находит области с текстом, делит их на строки и слова и сравнивает каждую форму с тем, как, по её опыту, выглядят буквы, а в спорных случаях опирается на словарь языка.

Словарь важен, потому что помогает только со словами. Если OCR прочитает «lnvoice» со строчной L, словарь вернёт его к «invoice». Если же номер счёта будет прочитан как 1O45 вместо 1045, сверять его не с чем. Чаще всего путаются символы, которые во многих шрифтах выглядят похоже: 0 и O, 1, l и I, 5 и S, 8 и B, а также пара «rn», которая может превратиться в «m». Поэтому ошибки OCR прячутся в числах, именах и кодах, и именно их нужно проверять тщательнее всего.

Почему результаты так сильно зависят от скана

Один и тот же конвертер может выдать почти идеальный текст из одного скана и мешанину из другого. Разница почти всегда в изображении:

Разрешение. Для сканирования документов под OCR обычно рекомендуют 300 DPI. Ниже примерно 200 DPI мелкий шрифт теряет детали, по которым различаются похожие буквы. Для очень мелкого шрифта, например сносок и условий на обороте бланка, лучше 400 DPI или больше.
Наклон и изгиб. Страница, сфотографированная под углом, или страница книги, изгибающаяся к корешку, дают неровные строки текста. Выравнивание помогает, но на изогнутых строках слова часто теряются или сливаются.
Контраст и фон. Цветная бумага, маркер, печати поверх текста и бледные копии с копий — всё это мешает отделить буквы от того, что за ними.
Сильное сжатие. У скана, сохранённого в JPEG с низким качеством, размытые края и грязь вокруг каждой буквы. Чёрно-белое изображение качества факса разрывает тонкие штрихи.
Рукописный текст. OCR для конвертации документов рассчитано на печатный текст. Рукописные заметки и подписи обычно распознаются неправильно или остаются изображениями.
Язык и вёрстка. Распознавание обучается отдельно для каждой письменности и языка, поэтому редкие письменности и страницы на нескольких языках распознаются хуже. Несколько колонок, таблицы без линий и текст поверх изображений ещё больше усложняют восстановление вёрстки.

Почему файл Word может выглядеть иначе, даже если текст верный

Распознать символы — только половина дела. Конвертер должен ещё и воссоздать страницу в виде, понятном Word, и здесь приходится выбирать. Можно записать текст обычными абзацами, которые легко редактировать, но которые отходят от исходной вёрстки. А можно закрепить каждый блок текста точно на своём месте — это выглядит правильно, но неудобно в редактировании, потому что текст, набранный в одном блоке, не сдвигает следующий вниз.

Другие различия связаны с информацией, которой в скане просто нет. OCR не может знать, какой шрифт использовался, поэтому Word получает похожий, и переносы строк смещаются. Таблицу с линиями можно воссоздать как таблицу Word, но таблица без линий может превратиться в текст, разделённый табуляциями или пробелами. Колонтитулы и номера страниц могут попасть в основной текст документа, а логотипы, печати и подписи остаются изображениями.

Конвертация скана с помощью «PDF в Word»

Наш инструмент «PDF в Word» автоматически запускает OCR на страницах, где это нужно, поэтому скан возвращается в виде файла .docx с редактируемым текстом, а страницы, где текст уже есть, конвертируются напрямую. Файл отправляется в сервис конвертации документов, который заявляет, что удаляет файл и результат в течение трёх часов. Установленного ограничения на размер нет, но загрузка должна завершиться примерно за 40 секунд, поэтому для очень большого скана нужно быстрое соединение. PDF, который открывается только с паролем, нужно сначала разблокировать.

Перед конвертацией стоит сделать несколько вещей:

Поверните страницы, лежащие боком или вверх ногами, и удалите пустые. «Органайзер файлов» делает и то и другое, не загружая файл.
Если вы сканируете бумагу сами, выбирайте 300 DPI в оттенках серого или в цвете, а не чёрно-белый режим сканера, который может разорвать тонкие буквы ещё до того, как их увидит OCR.
Если вам нужно всего несколько страниц, конвертируйте только их. Потом придётся меньше проверять.

Что проверить, прежде чем полагаться на результат

На большинстве реальных сканов OCR ошибается и никак об этом не предупреждает. Прежде чем отправлять сконвертированный документ или сдавать его, проверьте:

Каждое важное число. Итоги, даты, суммы, номера счетов и документов, номера телефонов. Сверяйте их со сканом, а не с тем, что выглядит правдоподобно.
Имена и адреса. Их редко бывает в словаре, поэтому их ничто не исправляет.
Слова, которые подчёркивает проверка орфографии. Красные подчёркивания скапливаются там, где OCR ошибся, поэтому проверка орфографии в Word — неплохой грубый поисковик ошибок.
Мелкий шрифт и поля. Сноски, печати и заметки на полях чаще всего пропадают полностью.
Таблицы. Убедитесь, что каждое значение стоит в нужной строке и столбце.

Что работает плохо

Некоторые документы разочаруют любой конвертер. Рукописные бланки, факсы, снимки документов с экрана в экранном разрешении и текст, являющийся частью фотографии или схемы, там, где это важно, обычно приходится перепечатывать.

Два других наших инструмента вообще не читают сканы. «PDF в Excel» читает только текст, который уже есть в PDF, поэтому не может извлечь таблицу из отсканированной страницы. «Перевести документ» по той же причине не принимает отсканированные PDF. В обоих случаях можно сначала сконвертировать скан с помощью «PDF в Word», проверить текст и работать с файлом Word: скопировать таблицу в Excel или перевести .docx.

Заключение

Конвертация отсканированного PDF в Word — это две догадки подряд: какие это буквы и как была устроена страница. Чёткий ровный скан с разрешением 300 DPI облегчает обе догадки, а внимательная проверка чисел и имён ловит то, в чём ошибся OCR. Относитесь к результату как к черновику текста, а не как к копии оригинала, и вас редко застанут врасплох.

Есть скан, который нужно превратить в текст? Попробуйте конвертер PDF в Word.

← Назад в блог