PDF, который на экране выглядит чётко, может содержать лишь изображения слов. Другой файл может показывать ту же отсканированную страницу, но со скрытым текстовым слоем. От этого зависит поиск, копирование, конвертация и перевод.
Понять, с чем вы имеете дело, можно и без изучения внутреннего устройства файла. Проверьте несколько страниц и смотрите на то, что реально даёт текстовый слой, а не только на внешний вид документа.
Выделите и скопируйте целое предложение
Откройте PDF в просмотрщике и попробуйте выделить предложение в основном тексте. Вставьте его в простой текстовый редактор. Проверьте символы и их порядок, включая знаки препинания, числа, а также буквы с диакритикой или текст на другом алфавите.
Если выделяется изображение всей страницы, а не отдельные слова, скорее всего, страница состоит только из картинки. Если предложение копируется без искажений, в этом месте есть пригодный текстовый слой. Если при копировании получается бессмыслица или строки перескакивают между колонками, выделяемый текст есть, но полагаться на него при дальнейшей обработке рискованно.
Не судите о всей книге по обложке. На титульных страницах часто используются другие шрифты, изображения и вёрстка, чем в основном тексте.
Как распознать скан со скрытым текстовым слоем
OCR может добавить текст для поиска поверх или под отсканированным изображением. Сама страница остаётся сканом, а поиск и выделение работают с распознанным текстом. Это бывает удобно, но в невидимом слое могут быть ошибки, которых не видно на чётком изображении.
Найдите поиском характерную фразу и сравните найденный текст с изображением. Скопируйте строку с числом или специальным термином. Проверьте, совпадает ли выделение с нужным местом и соответствует ли его содержимое тому, что вы читаете.
Ошибки в скрытом слое ещё не означают, что плох сам скан. Причиной могут быть прежнее распознавание, проблемы с кодировкой или неверный порядок чтения. Учитывайте оба варианта, прежде чем решать, сканировать заново или обрабатывать файл повторно.
Проверьте выборочно смешанные и сложные страницы
Многие PDF сочетают цифровой текст со вставками сканов, приложениями или иллюстрациями. В разных разделах документа вёрстка тоже может отличаться. Возьмите небольшую выборку страниц:
| Что проверить | Зачем |
|---|---|
| Обычный основной текст | Определить основной тип содержимого |
| Средние и последние разделы | Найти изменения в источнике или при экспорте |
| Страница в две колонки | Проверить порядок извлечения текста |
| Таблица или формула | Проверить числа, символы и структуру |
| Примечания или приложение | Найти мелкий текст и вставки сканов |
Отметьте, какие страницы состоят только из изображений, какие копируются правильно, а какие содержат ненадёжный текст. Это даст больше, чем один ярлык «сканированный PDF».
Если сам скан размыт, обрезан или на нём видны тени, устраните это до того, как полагаться на распознавание. В руководстве по подготовке плохих сканов описана подготовка во внешних программах — сайт не берётся за редактирование изображений.
Выберите способ обработки в зависимости от дальнейшей задачи
Если документ состоит только из изображений, сначала нужно распознать текст с помощью OCR, и лишь затем он сможет стать редактируемым содержимым или переводом для чтения. Не менее важна и структура: распознавание всех слов ещё не расставляет колонки, подписи и примечания в нужном порядке.
Если вы хотите читать дальше с настраиваемым размером шрифта, обратите внимание на перевод сканированного PDF в EPUB. Если нужен редактируемый текст для заметок или дальнейшей работы, подойдёт конвертация PDF в Markdown. Если важен точный внешний вид страниц, сохраните исходный PDF.
Для другого языка заранее решите, нужен ли перевод. В PDF Craft вывод в формате PDF требует перевода. При выводе в EPUB и Markdown можно обойтись без него, поэтому включайте перевод, только если он нужен. Полный процесс описан в руководстве по переводу сканированных PDF.
Не путайте проверку источника с проверкой результата
Такая проверка показывает, что, судя по всему, содержит исходный файл. Она не доказывает, что последующая конвертация пройдёт правильно. После обработки откройте те же сложные страницы и сравните скачанный файл с исходником.
Загрузите файл в рабочую область PDF и проверьте действующие настройки и ограничения. Новым пользователям начисляются пробные кредиты; обработка оплачивается по фактическому использованию, актуальные тарифы — на странице «Цены». В руководстве по OCR и переводу объясняется, почему после проверки источника распознавание текста, структура и смысл требуют отдельного внимания.