Извлечь текст из картинки

Как распознаётся изображение

Нужный распознавателю размер измеряется по тексту, а не по файлу. Высота строки оценивается по самому изображению, и всё масштабируется так, чтобы строка занимала около тридцати четырёх пикселей: маленький скриншот увеличивается до четырёх раз, а огромная фотография уменьшается, причём длинная сторона в любом случае ограничена. Поэтому девятимегапиксельное фото меню распознаётся не точнее, чем чёткое маленькое, а изображение меньше примерно трёхсот пикселей по короткой стороне вообще пропускает определение языка и читается как латиница. Перед этим фон бумаги под текстом оценивается по участкам и вычитается, чтобы выровнять освещение, наклон страницы измеряется по всей её высоте и исправляется поворотом, а результат переводится в чёрно-белый по единому общему порогу.

Выбор языка — это прослушивание, а не поиск по таблице, потому что обычный детектор языки не определяет. Первый проход сообщает только письменность и поворот, ничего больше; письменность сужает круг, языковые настройки вашего браузера решают спор между языками с общей письменностью, а затем каждый кандидат действительно используется для распознавания уменьшенной копии изображения и оценивается по количеству уверенно распознанных слов. Победитель читает настоящую страницу, а распознанный текст проверяется ещё раз — по диакритическим знакам, характерным сочетаниям букв, частым коротким словам, — чтобы понять, не справится ли другой язык лучше. Именно этот механизм стоит за правилом «неверно указанный язык даёт уверенно пустую страницу»: прослушивание существует затем, чтобы догадка проверялась на вашем изображении, а не просто утверждалась.

Об одном стоит знать заранее — о том, что попадает в результат. Абзац, в котором распознаватель не уверен, отбрасывается, а не показывается, так что текст, который вы видите на изображении, может полностью отсутствовать в результате, а не появиться в виде бессмыслицы. То же касается блоков, которые распознаватель счёл картинкой или шумом, и отдельных отметок без единой буквы или цифры. Для обычных слов с низкой уверенностью никакого отсечения нет, поэтому ошибки внутри абзаца остаются, и найти их — ваша задача. Если показатель уверенности приличный, а куска страницы просто нет, произошло именно это.

Если нужно другое

Ничего не сохраняется, но это единственный инструмент на сайте, где первый запуск не бесплатен: сам распознаватель весит несколько мегабайт, а каждый языковой пакет — ещё от одного до пяти; они загружаются с этого сайта и затем хранятся до следующего раза. Ради одной страницы подождать стоит, а ради двух тысяч сканов по расписанию — нет: для этого есть настольный инструмент OCR, например OCRmyPDF, который добавляет текстовый слой ко всей папке одной командой, без загрузок и кликов.

Три вещи здесь просто не делаются, и лучше знать о них заранее, чем обнаружить на практике. Перспектива не исправляется: поворот страницы измеряется и выравнивается, но снимок, сделанный сбоку, сохраняет форму трапеции, поэтому снимать строго сверху стоит лишней секунды. Порог, отделяющий текст от бумаги, — одно значение на всё изображение, а не своё для каждой области, поэтому на странице, наполовину в тени, тёмная половина потеряется даже после выравнивания освещения; лучше переснять её при ровном свете, чем бороться. А у таблицы, свёрстанной пробелами, а не линиями, нет линий, которые можно найти, поэтому она читается как колонки текста и переживает вставку в таблицу лишь по счастливой случайности.