# OCR таблиц в сканированных PDF: проверка строк, столбцов, единиц и разрывов страниц

Сверяйте распознанные таблицы с исходным сканом: объединённые заголовки, выравнивание значений, единицы измерения и таблицы, продолжающиеся на следующих страницах.

В таблице могут быть все ожидаемые числа, а смысл при этом окажется искажён. Сдвиньте значение на один столбец вправо — и оно уже относится к другому году, другому варианту обработки или другой единице измерения. Проверка OCR таблиц в сканированных PDF — это прежде всего проверка связей между подписями и значениями, а не только того, выглядят ли цифры правдоподобно.

Начните с изображения исходной страницы и одной целой таблицы. Изучите заголовок, тело, примечания и возможное продолжение, прежде чем переносить значения в электронную таблицу или отчёт.

## Разберите объединённые заголовки до проверки ячеек

Заголовок может занимать несколько столбцов, а во второй строке даются отдельные подписи. Например, «Годовой выпуск» может охватывать два года, каждый из которых делится на виды продукции. Если объединяющий заголовок пропадает, экспортированные строки выглядят аккуратно, но теряют смысл.

Выпишите полную подпись для выборочного значения: название таблицы, заголовок группы, заголовок столбца, заголовок строки и единицу измерения. Затем проверьте, можно ли восстановить эту подпись по одному результату конвертации.

Сделайте то же самое для объединённых подписей строк. Категория, напечатанная один раз рядом с несколькими строками, может относиться ко всем им. Пустая ячейка под ней вовсе не обязательно означает отсутствие данных, а заполнение каждого пробела нулём изменило бы исходник.

О том, как позже оформлять таблицы в Markdown, читайте в статье [Таблицы PDF в Markdown](https://pdfcraft.ai/ru-RU/blog/pdf-tables-to-markdown/). Здесь же речь о том, правильно ли распознана исходная таблица.

## Проследите значения в обоих направлениях

Выберите значение на скане и найдите его строку и столбец в результате. Затем выберите значение в результате и проследите его обратно к скану. Обратная проверка помогает выявить продублированные строки или значения, у которых нет видимого источника.

Берите разные позиции: первую строку, середину, последнюю строку и строку со сноской или необычной пунктуацией. Проверяйте десятичные разделители, знаки минуса, разделители тысяч, проценты, диапазоны и скобки. Всё это влияет на смысл, даже когда соседние цифры верны.

Сохраняйте различия между пустой ячейкой, прочерком, пометкой «не применимо» и нулём. В легенде таблицы им могут придаваться разные значения. Не приводите их к единому виду ради удобства, пока не разберётесь с этой легендой, а внесённое изменение фиксируйте отдельно.

## Читайте единицы измерения вместе с заголовком и примечаниями

Значение под заголовком «Выручка» неполно, если пометка «в тысячах» стоит только над таблицей или в примечании под ней. Убедитесь, что это уточнение сохранилось и по-прежнему относится к нужным значениям.

Проверяйте и единицы внутри ячеек. Надстрочные знаки, приставки и символы градусов могут быть настолько мелкими, что пропадут на некачественном скане. Замена миллиграммов на граммы — не мелкая типографская погрешность.

Если позже вы будете переводить документ, отделяйте распознавание единиц от выбора языка. Не стоит рассчитывать, что переводчик заметит показатель степени, пропущенный при распознавании. Сначала проверьте распознанный исходник, а затем сверьте переведённые заголовки и пояснения.

## Соединяйте таблицы на нескольких страницах осторожно

Ищите пометку «продолжение», повторяющиеся заголовки столбцов, разорванные строки и примечания, которые появляются только после последней страницы. Повторяющийся заголовок не должен превращаться в лишнюю строку данных, а повторяющаяся подпись строки может быть продолжением, а не вторым наблюдением.

Проверьте последнюю строку данных перед разрывом страницы и первую после него. Если описание переносится на следующую страницу, убедитесь, что его значения по-прежнему относятся к тому же объекту. Сноски в конце могут относиться к строкам с предыдущих страниц.

Сохраняйте границы страниц в своих заметках, даже если убираете их из рабочей таблицы. По ним можно восстановить, откуда взялась пропущенная строка или неожиданное дублирование.

## Фиксируйте расхождения, не угадывая числа

Записывайте основные сведения: страницу и таблицу в источнике, подпись строки, подпись столбца, спорное значение, значение, прочитанное на скане, и статус исправления. Неразборчивое значение помечайте как нерешённое. Не выбирайте число только потому, что с ним сходятся итоги.

Итоги и диапазоны полезны для перекрёстной проверки, но не служат доказательством. В самом оригинале могут быть ошибки округления или редакционные погрешности. Исправления распознавания держите отдельно от любой последующей интерпретации данных.

[PDF Craft](https://pdfcraft.ai/ru-RU/pdf-craft/pdf-to-markdown/) распознаёт таблицы при конвертации PDF, в том числе сканированных документов. Если нужны редактирование и повторное использование, выберите Markdown, а затем сверьте скачанный результат с оригиналом. Сложные и бледные таблицы проверяйте особенно внимательно: никакая общая гарантия не охватывает каждую объединённую ячейку или структуру, переходящую со страницы на страницу.

Прежде чем использовать таблицу в исследовательских заметках, проверьте вместе её название, единицы измерения, выборочные строки и примечания. В статье о [рабочем процессе исследования с PDF-to-Markdown](https://pdfcraft.ai/ru-RU/blog/pdf-to-markdown-for-research/) рассказано, как сохранить контекст источника, когда таблица покидает исходный документ.