Мои файлы загружаются на сервер?

Нет. Страницы отрисовываются и распознаются в вашем браузере, документ не покидает устройство. Скачивается только сам движок распознавания с языковой моделью — при первом запуске и с этого сайта; дальше браузер хранит его у себя.

Как понять, нужно ли моему PDF распознавание?

Попробуйте выделить в нём текст. Если ничего не выделяется, это скан, и нужен OCR; если текст выделяется как обычно, лучше справится обычный перевод PDF в Word.

Сохранится ли вёрстка?

Вы получаете текст в порядке чтения, а не воссозданный макет страницы. Колонки и таблицы приходят текстом, а не оформленными структурами.

Распознать текст в отсканированном PDF

Работает на вашем устройстве · Ваш файл никогда не покидает устройство.

Отсканированный PDF — это стопка картинок. Поэтому текст в нём не выделяется и не ищется, а перевод в Word возвращает пустой документ. Распознавание текста (OCR) читает буквы с изображения каждой страницы и отдаёт вам настоящий текст.

Каждая страница сначала отрисовывается в высоком разрешении, а потом распознаётся; ход работы виден постранично. Длинным документам нужно время: распознавание действительно выполняется на вашем устройстве, а не ждёт очереди на сервере.

Распознаются 15 языков, русский в том числе, а также смешанные арабско-английские документы. Арабский текст сохраняет направление справа налево и в просмотре, и в файле Word.

Как Распознать текст в отсканированном PDF

Добавьте отсканированный PDF — такой, где текст не выделяется.
В списке «Язык текста» выберите язык документа; если на одной странице арабский и английский — «Арабский + английский».
Нажмите «Извлечь текст». Модель распознавания скачивается один раз при первом запуске, потом хранится в кэше.
Скопируйте текст или скачайте его как TXT или Word.

Поддерживаемые форматы и ограничения

Вход: Отсканированные PDF и фотографии страниц
Выход: Текст — скопировать, TXT или Word
Языки: 15: русский, английский, арабский, немецкий, французский, испанский, португальский, китайский (упрощённый и традиционный), хинди, турецкий, иврит, персидский, урду, индонезийский, бенгальский — плюс смешанный арабский с английским
Первый запуск: Модель скачивается один раз, потом хранится в кэше браузера
Где работает: В браузере — документ не загружается на сервер

Не подходит для: Рукописного текста — печатный текст распознаётся надёжно, рукописные записи гораздо хуже.

Как страница готовится к чтению

Каждая страница сначала рисуется картинкой в 216 точек на дюйм — так, как её показывает программа просмотра PDF, — поэтому страница с настройкой поворота читается в правильном положении. Если же боком лежит сам скан, он читается как есть, и выходит бессмыслица; такие страницы сначала поверните в /rotate-pdf. Очень большие страницы, примерно от A2, рисуются в меньшем разрешении, чтобы не выйти за пределы того, что браузер может удержать одной картинкой.

С картинки читается каждая страница, в том числе та, где уже есть настоящий текст. Если документ частично набран, а частично отсканирован, набранные страницы без единой ошибки извлекает /pdf-to-text, а распознавание может перепутать отдельную букву.

Длинные документы

Каждая страница рисуется, читается и освобождается, прежде чем рисуется следующая, поэтому длинному скану нужно примерно столько памяти, сколько одной странице. Полоса прогресса немного заполняется, пока загружается движок распознавания, а затем движется постранично, и под ней указано, какая страница читается.

«Отмена» останавливает работу на текущей странице и сохраняет текст уже готовых: строка сообщает, сколько страниц из скольких прочитано, а копирование и файлы TXT и Word содержат именно эти страницы. Можно добавить сразу несколько PDF и фотографии страниц — они прочитаются друг за другом в одном задании.

Что вы получаете

Результат — текст, а не новый PDF: сам скан остаётся набором картинок. Если прочитано больше одной страницы, текст каждой начинается со строки вроде --- scan.pdf — страница 3 ---, написанной на языке страницы, которой вы пользуетесь, так что видно, откуда взят каждый фрагмент. Файл Word озаглавлен именем PDF, и каждая страница идёт под своим заголовком — подряд, а не на отдельных листах.

На этой странице список «Язык текста» начинается с «Русский». Если документ на другом языке, выберите его в списке до того, как нажмёте «Извлечь текст».

Частые вопросы

Мои файлы загружаются на сервер?: Нет. Страницы отрисовываются и распознаются в вашем браузере, документ не покидает устройство. Скачивается только сам движок распознавания с языковой моделью — при первом запуске и с этого сайта; дальше браузер хранит его у себя.
Как понять, нужно ли моему PDF распознавание?: Попробуйте выделить в нём текст. Если ничего не выделяется, это скан, и нужен OCR; если текст выделяется как обычно, лучше справится обычный перевод PDF в Word.
Сохранится ли вёрстка?: Вы получаете текст в порядке чтения, а не воссозданный макет страницы. Колонки и таблицы приходят текстом, а не оформленными структурами.