Как сделать скан PDF доступным для поиска

Отсканированная методичка выглядит как обычный PDF, но поиск не находит даже крупный заголовок. Вероятно, в файле есть только изображения страниц. Оптическое распознавание символов, или OCR, может добавить текстовый слой. Он позволяет искать слова и копировать фрагменты. Изображение при этом помогает сверить результат. Ошибки распознавания всё ещё возможны, особенно в таблицах, рукописях и на страницах с низким контрастом.

Поработаем с учебным сканом из четырёх страниц. На первой печатный заголовок, на второй таблица с числами, на третьей страница под небольшим углом, а на четвёртой английский термин. Результат должен находиться по двум известным словам, открываться в просмотрщике и не заменять исходный файл. Для этого примера достаточно локального инструмента OCRmyPDF с установленными языковыми данными.

Проверьте, нужен ли OCR

Откройте скан в привычной программе и попробуйте выделить предложение. Затем найдите короткое редкое слово, видимое на странице. Если поиск работает и копируемый текст читается правильно, дополнительное распознавание может не потребоваться. Иногда PDF смешанный. Первые страницы содержат текст, а приложения представляют собой изображения. Проверьте по одной странице каждого типа, прежде чем запускать обработку на всём файле.

Запишите три контрольных примера. Например, заголовок «Тепловой баланс», фамилию в подписи и число 18,75 в таблице. Их надо проверять по разным признакам. Заголовок должен находиться поиском, фамилия копироваться без перестановок букв, а число совпадать с изображением. Если на скане есть персональные данные или закрытые рабочие материалы, используйте инструмент в среде, в которой разрешено их обрабатывать. Учебный тест удобно провести на вымышленном документе.

Подготовьте понятные пути и языки

Скопируйте учебный файл в отдельный каталог и назовите его lesson-scan.pdf. Планируемый результат пусть называется lesson-searchable.pdf. Не используйте одно имя для входа и выхода. Сохранение под новым именем позволяет сравнивать страницы после обработки и возвращаться к исходнику при ошибке.

У OCRmyPDF есть параметр выбора языка. Он передаёт языковой набор движку распознавания. Для текста, где действительно встречаются русский и английский, в примере нужны пакеты rus и eng. Проверьте установленные наборы командой tesseract --list-langs, если движок доступен в вашей среде. Используйте руководство по установке для своей системы. Наличие команды ocrmypdf само по себе не означает, что уже установлены оба языка.

Выполните обработку на учебном образце

Откройте терминал в тестовом каталоге. Если все страницы действительно содержат изображения и подходящие языки установлены, запустите команду с отдельным выходным файлом.

ocrmypdf -l rus+eng lesson-scan.pdf lesson-searchable.pdf

Это создаёт новый PDF и не является командой массовой обработки. Прочитайте вывод и убедитесь, что программа завершилась успешно. Если она сообщает об уже существующем тексте, сначала выясните, какие страницы смешанные. Режим пропуска страниц с текстом описан в справочнике OCRmyPDF. Он полезен, когда нужно обработать только изображения на отдельных страницах. На странице со старым плохим слоем этот режим может оставить ошибки, поэтому не включайте его вслепую.

Когда исходник плохо выровнен, оцените его визуально. Для наклона и поворота есть разные параметры. Попробуйте одну настройку на отдельной копии, затем сравните результат. Сильная коррекция, фильтры и повторное сжатие могут заметно повлиять на читаемость. Для первой попытки достаточно минимального набора параметров. Сохраните вывод команды и название тестового файла, если дальше будете менять настройки.

Примите результат двумя способами

Откройте новый PDF и посчитайте страницы. Сравните первое и последнее изображение с исходником, включая поля и мелкий текст. Затем найдите контрольный заголовок и второй термин. Выделите подпись с фамилией, скопируйте её в простой текстовый редактор и сравните с изображением. Для таблицы вручную перепроверьте выбранные числа и порядок строк. OCR может распознать символы, но перепутать колонки или записать похожий знак.

Используйте текстовый слой для поиска, навигации и предварительного извлечения. Для точной цитаты или числа обращайтесь к изображению страницы. Если вам нужен результат для последующей обработки, можно отдельно сохранить извлечённый текст, указав страницу и известные ошибки. Сохраните и исходный скан, и удачный результат. Их назначение разное.

Задайте предел применимости

Успех упражнения наступает, когда поиском находятся два нужных термина, все четыре страницы на месте, а тестовая таблица проверена вручную. Это подтверждает пригодность конкретной копии для выбранной задачи. Для другого скана качество может отличаться. Если распознавание путает много символов, улучшите исходное сканирование и повторите маленький тест вместо обработки всего архива. Для рукописей или сложных исторических документов может потребоваться отдельный подход.

Отдельно оцените страницу с наклоном. Найдите слова, расположенные рядом с краем листа, и проверьте два результата копирования. Сравните порядок текста с исходным изображением. Если слова читаются, но идут в неверном порядке из-за двух колонок, отметьте эту страницу как требующую ручной сверки. При наличии нескольких типов страниц сделайте такую отметку по каждому типу. Это пригодится, когда распознанный текст будут использовать для конспекта или полнотекстового поиска.

Источники

• OCRmyPDF: примеры команд и обработка разных типов PDF