Лучший OCR-инструмент – превращайте текст с изображения в редактируемый текст

Что делает инструмент OCR

Рабочий процесс состоит из трёх частей: загрузка, распознавание и проверка. Область загрузки принимает файлы изображений через кнопку обзора или перетаскивание. Селектор языка позволяет выбрать один или несколько языков распознавания. Необязательный переключатель включает редактор кадрирования и масштабирования для выделения текстовой области.

При нажатии Run OCR библиотека Tesseract.js загружает данные выбранных языков и обрабатывает изображение. Результат появляется в текстовом редакторе вместе с оценкой достоверности. Вы можете отредактировать текст перед скачиванием, что важно, поскольку OCR редко работает идеально.

Меню форматов вывода предлагает Text (.txt), PDF (.pdf) и Word (.doc). Экспорт в TXT и Word выполняется в браузере. При экспорте в PDF распознанный текст отправляется на сервер для формирования документа.

Как извлекать текст

1. Загрузите изображение. Чёткий, ровный и хорошо освещённый снимок работает лучше, чем перекошенный или затемнённый.
2. Выберите язык или языки, присутствующие на изображении. Выбор несвязанного языка снижает точность.
3. Включите параметр кадрирования, если на изображении есть лишний фон, и задайте рамку вокруг текстовой области.
4. Нажмите Run OCR и дождитесь завершения загрузки языковых данных и распознавания.
5. Посмотрите на оценку достоверности и проверьте текст на ошибки.
6. Отредактируйте имена, числа и знаки препинания перед экспортом.
7. Выберите TXT, PDF или Word и скачайте результат.

Первый запуск может занять больше времени, поскольку браузеру нужно скачать языковые данные. Последующие запуски могут использовать кэшированные данные, если браузер это позволяет.

Языки и письменности

Список из 15 языков охватывает несколько индийских письменностей, а также английский, французский, немецкий и испанский. Вы можете выбрать более одного языка, когда в документе смешаны разные письменности, но каждый дополнительный язык увеличивает время обработки и расход памяти.

Инструмент не предлагает языковые данные для китайского, японского или корейского языков. Для этих письменностей используйте специализированный сервис OCR с подходящей моделью. Он также не переводит текст: он возвращает распознанные символы на исходном языке.

Для рукописного текста точность значительно ниже, чем для печатного. Лучший случай — чистый скан печатной страницы. Фотография рукописи, стилизованного шрифта или скриншот низкого разрешения могут дать ненадёжный результат.

Повышение точности

Начните с изображения в максимальном доступном разрешении. Обрежьте его до текстовой области, держите страницу ровно и избегайте бликов и глубоких теней. Если изображение повёрнуто, воспользуйтесь функцией поворота в редакторе кадрирования или выровняйте его в графическом редакторе перед загрузкой.

Выберите правильный язык. Если документ в основном на английском, но в нём есть несколько имён на другой письменности, сначала попробуйте английский и исправьте имена вручную. Смешивание языков может запутать модель, если преобладает одна письменность.

Проверяйте числа, даты и коды посимвольно. OCR часто путает 0 и O, 1 и l, 5 и S, а также схожие по начертанию символы. Оценка достоверности — это ориентир, а не гарантия.

Форматы вывода

Text — самый надёжный формат экспорта. Он сохраняет распознанные символы и работает в любом редакторе. PDF создаёт простой документ из текста; он не сохраняет исходную разметку изображения и не делает PDF текстовым так же, как отсканированный PDF с OCR-слоем.

Вариант Word создаёт HTML-документ с расширением .doc, а не настоящий файл DOCX. Word обычно может его открыть, но сложное форматирование не сохраняется. Для получения чистого редактируемого документа вставьте текст в текстовый редактор и примените стили там.

Нелатинский текст может отображаться некорректно в сформированном на сервере PDF из-за ограничений шрифтов. Если письменность важна, воспользуйтесь экспортом в TXT и создайтете PDF в приложении с подходящими шрифтами.

Ограничения и конфиденциальность

Изображение обрабатывается локально средствами OCR. На сервер отправляется только извлечённый текст для создания PDF; при экспорте в TXT и Word текст не загружается. Страница не создаёт учётную запись и не хранит историю, но браузер может кэшировать языковые данные.

На странице нет явного ограничения размера изображения, однако очень большие изображения долго декодируются и распознаются. Фотография с телефона в высоком разрешении может обрабатываться долго и расходовать значительный объём памяти. Если страница перестаёт отвечать, уменьшите размер большого изображения перед загрузкой.

Инструмент не является системой управления документами. Он не сохраняет результаты OCR, не распознаёт надёжно таблицы, не сохраняет колонки и не проверяет текст. Воспринимайте каждый результат как черновик, требующий проверки человеком, особенно для юридических, медицинских или финансовых документов.

Подготовка сканов и скриншотов

Ровное, равномерно освещённое изображение распознаётся лучше, чем снимок под углом. При сканировании используйте 300 DPI и режим оттенков серого или цветной, обеспечивающий чёткость текста. При съёмке страницы на камеру заполните кадр текстом, избегайте теней от руки или телефона и держите камеру параллельно странице.

Для скриншота делайте захват при масштабе 100 процентов, а не в уменьшенном виде. Мелкий текст, который на экране выглядит читаемым, может содержать слишком мало пикселей для распознавания OCR. Обрежьте элементы интерфейса браузера, боковые панели и рекламу, чтобы движок сосредоточился на содержимом.

Если на изображении есть таблица, OCR обычно распознает текст, но не сохраняет столбцы. Экспортируйте текст и воссоздайте таблицу в электронной таблице или текстовом редакторе. Не предполагайте, что порядок чтения совпадает с визуальным порядком.

Проверка результатов OCR

Сверяйте текст с изображением, а не с памятью. В первую очередь проверяйте имена собственные, числа, даты, валютные символы и знаки препинания. Именно эти поля чаще всего оказываются неверными, и именно их невнимательная проверка обходится дороже всего. Показатель уверенности, близкий к верхней границе диапазона, внушает спокойствие, но не является гарантией для каждой строки.

Используйте поиск и замену для повторяющихся ошибок, как только обнаружите закономерность, например consistently неверно распознаваемую букву. Следите за тем, чтобы не заменить корректное вхождение. Для длинного документа проверяйте постранично, а не полагайтесь на один проход.

Если текст предназначен для формы, вставьте его в форму и проверьте ограничения полей. OCR может вставить переносы строк там, где форма ожидает одну строку. Нормализуйте пробелы перед отправкой.

Рабочий процесс с TXT, PDF и Word

Начните с TXT для редактирования и архивирования. Это формат с наименьшими потерями, в котором проще всего искать. Если вам нужен PDF, создавайте его из исправленного текста, а не из исходного результата OCR. PDF, создаваемый сервером, — это простое текстовое отображение; он не сохраняет исходное изображение или сложную разметку.

Экспорт в Word — это удобство для открытия файла в текстовом процессоре, а не точная конвертация в DOCX. Примените заголовки, шрифты и таблицы в текстовом процессоре после импорта. Убедитесь, что шрифты с нелатинскими письменами отображаются корректно; если нет, используйте файл TXT и выберите шрифт с поддержкой нужной письменности.

Храните исходное изображение рядом с текстом, если позже может потребоваться проверка. OCR — это вспомогательное средство для транскрибации, а не заверенная копия.

Часто задаваемые вопросы