PDF не ищется и не копируется текст: как распознать скан и проверить ошибки

198
PDF не ищется и не копируется текст: как распознать скан и проверить ошибки

Нужное слово видно на странице PDF, но поиск его не находит. Выделить и скопировать абзац тоже не получается. Возможно, документ состоит из сканов: для программы каждая страница выглядит как фотография, а отдельных букв и слов в ней пока нет. Чтобы заработали поиск и копирование, текст нужно распознать.

Разберём, как отличить скан от PDF с текстом, бесплатно распознать его на своём компьютере и найти ошибки, которые OCR оставляет в цифрах и буквах.

Почему видимые буквы могут не быть текстом

PDF, сохранённый из Word, обычно хранит текст, и поиск по нему работает сразу. Скан без распознавания содержит только изображение страницы. Программа оптического распознавания (OCR) читает надписи на изображении и добавляет в PDF невидимый текстовый слой. Просмотрщик по-прежнему показывает скан, поэтому ошибку распознавания легко пропустить: на странице видна правильная сумма, а в скопированном тексте одна цифра уже другая.

Схема действий, когда поиск в PDF не работает: проверка запрета копирования и неверных символов, затем OCR в PDF24 Creator с языками русский и английский и разрешением 300 dpi

Быстрее всего тип документа выдают Ctrl+F на нескольких страницах и попытка скопировать абзац. Набранный текст и сканы нередко соседствуют в одном файле, а смешанной бывает даже отдельная страница, если поверх изображения добавили цифровой номер или штамп.

Сравнение трёх видов PDF: в файле из редактора поиск и копирование работают, в скане не работают, а после OCR работают, но текст нужно сверить со сканом

Запрет копирования в свойствах безопасности OCR не снимет, проще попросить у отправителя текстовую версию или PDF без ограничений. Неверные символы при вставке иногда пропадают в другом просмотрщике, а иногда виноват шрифт или старый текстовый слой, и тогда файл придётся заново сохранить отправителю. Распознавание нужно там, где ограничений нет, а текст вообще не выделяется.

Перед обработкой сохраните копию своего PDF под именем scan.pdf и выберите на изображении фразу, дату и число, которые проверите после распознавания.

Возвращаем поиск через PDF24 Creator

Установите PDF24 Creator для Windows 10/11 и оставьте компонент OpenJDK, который нужен для выравнивания страниц. Creator бесплатен и обрабатывает файл на компьютере, а веб-инструмент OCR на сайте PDF24 отправляет документ на сервер.

Откройте инструмент PDF OCR, добавьте подготовленную копию scan.pdf и задайте настройки.

  1. Выберите русский язык. Добавьте английский, если в документе встречаются английские слова или обозначения. При первом использовании программа скачает языковые файлы, после загрузки распознавание работает локально.
  2. Установите разрешение 300 dpi, автоматическое определение структуры и профиль None, без дополнительного преобразования. Включите выравнивание наклона и пропуск страниц с текстом. С этой настройкой PDF24 не трогает страницы, где набранный текст уже есть.
  3. Нажмите «Начать», дождитесь завершения и выберите «Сохранить файлы». Сохраните результат отдельно под именем pdf24.pdf.

Откройте именно pdf24.pdf и найдите выбранную фразу. Если она не находится, скопируйте её в Блокнот: OCR мог заменить букву или вставить пробел внутри слова.

При полном отсутствии выделения сначала убедитесь, что открыт pdf24.pdf, а не исходник, и что обработка в PDF24 завершилась без ошибки. После прерванного запуска повторите OCR с исходной копии. Страница, где выделяется только номер или штамп, попала под пропуск страниц с текстом, и для неё понадобится OCRmyPDF с параметром --redo-ocr из вопросов в конце статьи. Если обработка прошла без ошибок, а текста нет, переходите к OCRmyPDF.

Что проверить после распознавания

Примеры ниже получены на трёх учебных страницах 19 ноября 2026 года в Windows x64: PDF24 Creator 11.34.0, OCRmyPDF 17.14.2, Tesseract 5.5.2. PDF24 в тесте запускали из командной строки, поиск и копирование в окне программы не проверяли.

Исходная запись Результат OCR Как обнаружить ошибку
Order B-108 с латинской B Order В-108 с кириллической В, в обеих программах Введите запрос с B в английской раскладке, затем с В в русской: результаты поиска могут отличаться.
-85,20 -85, 20 в OCRmyPDF При копировании виден лишний пробел после запятой. Сумма и знак сохранились, но запись числа нарушена.
прочитайте прочита йте в PDF24 Поиск целого слова не находит запись, а вставка в текстовый редактор показывает разрыв.

Скопируйте абзац и строки таблицы в Блокнот и сравните с изображением. Внимательнее всего смотрите слова на границе строк, минусы, запятые и похожие по начертанию символы. Пропавший минус превратит -85,20 в 85,20, а кириллическая В на месте латинской B сломает точный поиск.

Четыре ошибки распознавания текста: латинская B заменена кириллической В, лишний пробел в числе -85, 20, разрыв в слове «прочита йте» и перемешанные строки колонок

Страницы с колонками приготовили отдельный сюрприз: при извлечении текста из результата OCRmyPDF строки левой и правой колонок чередовались, хотя изображение выглядело безупречно. Если ваш просмотрщик смешивает колонки, выделяйте каждую отдельно и сверяйте начало и конец скопированного фрагмента.

Найденную ошибку исправьте в скопированной записи перед расчётом или переносом в другую систему. Текстовый слой PDF при такой правке останется прежним. При большом числе ошибок проверьте выбранные языки и повторите OCR с исходной копии, а ошибочный слой, который уже есть в файле, заменит параметр --redo-ocr из вопросов в конце статьи.

Нейросеть с поддержкой изображений тоже прочитает скан, но просить у неё нужно дословную расшифровку: «Перепиши текст без пересказа и исправлений. Сохрани числа, знаки и даты. Сначала прочитай левую колонку целиком, затем правую. Неразборчивые места отметь». Ответ сверяйте с изображением и отдельно ищите строки, которых на странице не было. Слой в исходный PDF ответ в чате не добавит, а документ при этом уйдёт облачному сервису, поэтому файлы, которые должны остаться на компьютере, распознавайте локальными программами.

OCRmyPDF для обработки командой

OCRmyPDF пригодится тем, кто хочет запускать распознавание одной командой. Дальнейшие шаги предполагают, что PDF24 уже установлен.

Установка OCRmyPDF и распознавание своего PDF

Буквы будет распознавать Tesseract из установленного PDF24, а OCRmyPDF соберёт результат в PDF. Переменная PATH подскажет Windows, где искать компоненты, как описано в документации OCRmyPDF.

Для установки нужен uv, который сам загрузит бесплатный OCRmyPDF и Python. Через «Пуск» откройте PowerShell и выполните команду. Утилита winget входит в «Установщик приложений» Windows.

winget install -e --id astral-sh.uv

Откройте PowerShell заново, чтобы Windows нашла установленный uv, и выполните две команды по очереди. Затем снова откройте новое окно PowerShell.

uv tool install --python 3.12 ocrmypdf==17.14.2
 uv tool update-shell

Теперь создадим папку C:OCR для работы с файлом. В первой строке укажите каталог, куда установлен PDF24. Команда Copy-Item копирует настройки вывода Tesseract: без файлов hocr и txt распознаватель может не создать результат.

$pdf24 = 'C:Program FilesPDF24'
 New-Item -ItemType Directory -Force C:OCRlangconfigs | Out-Null
 Copy-Item "$pdf24tesseracttessdataconfigs*" C:OCRlangconfigs -Force

Скопируйте свой scan.pdf в C:OCR. Следующий блок скачает файлы русского и английского языков и osd для определения ориентации страницы. TESSDATA_PREFIX указывает, где лежат языковые файлы, а PATH задаёт папки, в которых Windows будет искать компоненты PDF24.

'rus','eng','osd' | ForEach-Object {
   Invoke-WebRequest "https://download.pdf24.org/tesseract/traineddata/4.x/$_.traineddata" -OutFile "C:OCRlang$_.traineddata"
 }
 $env:TESSDATA_PREFIX = 'C:OCRlang'
 $env:PATH = "$pdf24tesseract;$pdf24gsbin;$env:PATH"
 ocrmypdf --version
 tesseract --version
 tesseract --list-langs

Последние команды покажут версии программ и языки, в списке должны быть rus, eng и osd. Если какого-то языка нет, проверьте скачанные файлы и TESSDATA_PREFIX. Сообщение о том, что команда ocrmypdf не найдена, снимает повтор uv tool update-shell и новое окно PowerShell, где снова нужно задать $pdf24, TESSDATA_PREFIX и PATH.

Запустите обработку в том же окне. Последние два имени обозначают исходный PDF и новый файл, поэтому исходник не будет заменён.

Set-Location C:OCR
 ocrmypdf -l rus+eng --deskew --rotate-pages --skip-text --output-type pdf --optimize 0 --jobs 1 --sidecar ocrmypdf.txt scan.pdf ocrmypdf.pdf

В C:OCR появятся ocrmypdf.pdf и ocrmypdf.txt. Параметр --deskew исправляет небольшой наклон, --rotate-pages определяет ориентацию страницы, а --skip-text пропускает страницы, где текст уже есть. Команда сохраняет обычный PDF без оптимизации.

Дополнительный TXT содержит только вновь распознанный текст. Набранные страницы могут в него не попасть, хотя в PDF останутся. Откройте итоговый PDF и проверьте нужные страницы, поиск и копирование, как описано выше.

Вопросы и ответы

Почему текст копируется в одном приложении, но не копируется в другом?

Некоторые просмотрщики, включая настольный Chrome, распознают сканы сами, и скопированный там текст может существовать только внутри Chrome. Чтобы убедиться, что текстовый слой сохранён в самом PDF, откройте файл в другой программе и попробуйте поиск там.

Что делать, если цифровой штамп мешает распознать остальную страницу?

Штамп считается текстом, поэтому --skip-text пропускает всю страницу. В команде OCRmyPDF замените --skip-text на --redo-ocr и уберите --deskew. Программа сохранит штамп, распознает изображение и заменит обнаруженный невидимый текстовый слой.

ocr pdf распознать пдф онлайн
Alt text
Обращаем внимание, что все материалы в этом блоге представляют личное мнение их авторов. Редакция SecurityLab.ru не несет ответственности за точность, полноту и достоверность опубликованных данных. Вся информация предоставлена «как есть» и может не соответствовать официальной позиции компании.
1.12 кибердом · 1 декабря 2026 г. · 10:00КиберсъездОдин день, чтобы понять, куда движется индустрия Зарегистрироваться