Сделать отсканированный PDF доступным для поиска

Невидимый слой поверх неизменной страницы

Скан сохраняется точно таким, каким был. Добавляется слой текста в невидимом режиме отрисовки — настоящие символы, расставленные слово за словом поверх слов на картинке и помеченные так, чтобы никогда не отображаться. Страница выглядит так же, потому что визуально ничего не изменилось; выделите предложение — и подсветка ляжет на нужные слова, ведь невидимый текст находится там же, где видимые чернила. Это стандартный способ сделать скан доступным для поиска, и именно поэтому по результату можно искать, копировать его и индексировать, хотя он по-прежнему остаётся фотографией документа.

Две вещи в странице исправляются намеренно — распознаванию они всё равно были нужны. Страница, отсканированная боком, поворачивается как надо, а страница, прошедшая через податчик криво, выравнивается, так что результат часто аккуратнее исходника. Размеры страниц берутся из исходного PDF, а не приводятся к одному, поэтому документ со страницами разного размера таким и остаётся, и ничего не масштабируется.

Точность почти целиком зависит от скана, и разница огромна. Чистый скан печатного текста с разрешением 300 DPI распознаётся очень точно; та же страница в 150 DPI — заметно хуже; фото, снятое под углом при плохом освещении, — совсем другая история. Если сканируете вы сами, важна настройка 300 DPI в оттенках серого: большее разрешение редко помогает, а меньшее сразу вредит. Мелкий шрифт, плотный межстрочный интервал, цветной фон, копии с копий и всё проштампованное или рукописное даются тяжелее — и полностью эту проблему не решает ни одна программа.

То, что намеренно не попадает в слой, так же важно, как то, что попадает. Фотографии, логотипы, подписи и декоративная графика игнорируются, а не распознаются, потому что буквы, выжатые из картинки, дают правдоподобную бессмыслицу, которая потом всплывает в каждом поиске. Китайские, японские и корейские слова распознаются, но не попадают в текстовый слой — они подсчитываются для вас, а не записываются пустыми местами, пока не появится шрифт, способный их передать. Документ здесь не перевёрстывается: слова на странице по-прежнему картинка, а чтобы превратить их в редактируемый текст, есть конвертация в Word.

Если нужно другое

OCRmyPDF — инструмент, рядом с которым эта страница лишь удобное дополнение, и он бесплатный. ocrmypdf --deskew --rotate-pages in.pdf out.pdf делает ту же работу с большим контролем, --optimize 3 уменьшает результат, --redo-ocr заменяет плохой существующий слой, а --output-type pdfa за тот же проход создаёт архивный файл. Он справляется с тысячами страниц, работает со слежением за папкой, и именно им пользуются библиотеки и архивы документов.

Для сложных материалов — старинной печати, необычной вёрстки, объёмных таблиц — облачный сервис Google, Amazon или Microsoft прочитает страницы, с которыми универсальное распознавание не справится, потому что эти сервисы обучены на гораздо большем объёме данных. Это реальная разница в возможностях, и о ней стоит знать. Но это также означает отправку ваших документов третьей стороне — ровно тот компромисс, которого эта страница позволяет избежать. Так что это правильный выбор для хрупкой старой книги и неправильный — для коробки медицинских карт.