Главное Авторские колонки Пресс-релизы Промо Вакансии Вопросы
27 0 В избр. Сохранено
Авторизуйтесь
Вход с паролем

Как распознать текст из PDF в Word и не испортить документ

Как распознать текст из PDF в Word: проверка текстового слоя, подготовка скана, выгрузка в DOCX и вычитка таблиц. PDF до 50 страниц собирается в один файл.
Мнение автора может не совпадать с мнением редакции

В PDF лежит либо живой текст, либо снимки страниц. От этого зависит, нужна ли вам вообще программа распознавания. Ниже разобрано, как за полминуты понять, что у вас в файле, в каком порядке пройти обработку и какой формат выбрать на выходе.

Подробнее — в исходной статье.

Текстовый PDF или скан: как понять, нужно ли распознавание

Файлов PDF бывает два вида. В первом текст хранится внутри, во втором внутри только изображения страниц. Распознавание нужно исключительно сканам.

Если файл текстовый, слова копируются обычным выделением или документ открывается в Word без обработки. Выделите одно слово мышью. Выделяется слово, значит текстовый слой есть. Растянули рамку на всю страницу, значит перед вами картинка.

Второй способ быстрее: нажмите Ctrl+F и поищите слово, которое видите на экране. Поиск ничего не нашёл, слоя нет.

Проверка занимает полминуты, но пройтись стоит по страницам начала, середины и конца. В одном PDF нередко соседствуют текстовые и отсканированные страницы: начало набрано, приложение вложено картинкой.

Как распознать текст из PDF в Word: порядок действий

Схема короткая: загружаете файл, сервис обрабатывает все страницы, вы скачиваете DOCX. Дальше обязательна вычитка. Без неё результат в работу не передают.

Проще всего распознать текст с фото, сканов и PDF на странице PhotoPanda. Регистрация не нужна, но работает суточный лимит на IP-адрес. Он обновляется в 03:00 по Москве, так что длинный документ может в лимит не уложиться.

Один файл принимают до 50 страниц и до 25 МБ. Страницы распознаются по очереди и собираются в один документ. Печатный текст обрабатывается за несколько секунд на страницу.

На выходе получаете DOCX. Тот же текст доступен в PDF, Markdown и TXT. Вычитку удобно делать в Word, держа исходный PDF рядом на экране.

Оплата идёт с баланса и только за успешную обработку, подписки нет. Если обработка не удалась, списанное автоматически возвращается на баланс. Водяного знака на распознанном тексте нет.

В настольных программах с OCR порядок тот же: распознать, сохранить в DOCX, проверить. Разница между программами в настройках и в том, насколько хорошо они восстанавливают структуру страницы: заголовки, списки, таблицы.

Бывает, что таблица рассыпается в строки чисел. Тогда стоит попробовать сервис, который умеет держать структуру.

DOCX, PDF, Markdown или TXT: какой формат скачать

DOCX берите, когда документ предстоит править в Word. Остальные форматы годятся для заметок, форм и работы в других программах.

ФорматКогда выбиратьЧто учесть
DOCXПравка, согласование, работа по шаблонуОформление по умолчанию, стили задаёте сами
PDFОтправить или распечатать без правокДля редактирования неудобен
MarkdownЗаметки, базы знаний, передача текста в нейросетьСтруктура видна прямо в тексте
TXTВставка в форму, программу или поиск по текстуБез оформления

Если нужен поиск по словам или передача текста языковой модели, удобнее Markdown: заголовки и таблицы размечены прямо в тексте.

Документ юристу или бухгалтеру на правку отправляйте в DOCX. Со стилями «Заголовок 1» и «Заголовок 2» Word сам построит оглавление через «Ссылки» → «Оглавление». Если заголовки набраны обычным текстом, стили придётся назначить вручную, это пара минут.

Иногда нужны оба варианта сразу. Пример: договор поставки на 12 страниц. DOCX уходит на правки, Markdown ложится во внутреннюю базу документов.

Таблицы и Excel

Таблица со скана приходит таблицей, со строками и столбцами. Отдельного экспорта в Excel у PhotoPanda нет, но он и не требуется.

Переносите таблицу из DOCX в Excel обычным копированием. Выделите таблицу целиком, нажмите Ctrl+C, в Excel вставьте через Ctrl+V. Ячейки встанут на свои места.

Проверьте числа. Если Excel выровнял их по левому краю, он считает их текстом. Причин две: пробелы внутри числа или точка вместо запятой в дробной части. Правится через «Найти и заменить».

Документы с персональными данными: где идёт обработка

Печатный текст в PhotoPanda распознаётся на собственных GPU в России. Для договоров, справок и документов с персональными данными это важно.

Загруженные исходники удаляются в течение 24 часов после обработки. Результаты лежат в истории личного кабинета 30 дней. С купленным дополнительным хранилищем они остаются, пока оно оплачено. Результаты без регистрации живут 1 час. Удаление везде автоматическое.

Подробности есть на странице обработки персональных данных. Если документ нужен надолго, скачайте DOCX сразу после распознавания. Через 30 дней результат из истории исчезнет.

Распознавайте только те документы, с которыми вам разрешено работать. В сервис отправляйте лишь нужные страницы. Копии паспортов или справок, приложенные в конце PDF, отрежьте до загрузки. Тогда лишние персональные данные не попадут ни в обработку, ни в результат.

Онлайн-сервисы: что нужно и чего ждать

Из инструментов достаточно браузера. Сервисы принимают PDF, разбирают его постранично и возвращают текст в нужном формате. Устанавливать ничего не нужно.

PhotoPanda берёт PDF до 50 страниц и до 25 МБ. Остаётся дождаться, пока страницы распознаются и соберутся в один документ, а потом скачать его в DOCX, PDF, Markdown или TXT. Печатный текст уходит за несколько секунд на страницу.

Без регистрации работает суточный лимит на IP-адрес, а файлы загружаются по одному. Пакетная обработка и API доступны после регистрации.

Перед загрузкой персональных данных посмотрите, где сервис обрабатывает файл и сколько хранит. Это стоит выяснить до, а не после.

О самом распознавании в исходной статье сказано больше: как готовить скан под нейросеть, что делать с файлом, который не влезает в лимиты, и как разбираться с ошибками при онлайн-распознавании.

Полный разбор — в оригинальной статье.

Вопросы и ответы

Нужно ли распознавание, если текст в PDF выделяется мышью?

Нет. Такой файл уже содержит текстовый слой, его можно копировать или открыть в Word напрямую.

Сколько ждать обработку одной страницы?

Печатный текст распознаётся за несколько секунд. Страницы идут по очереди и потом собираются в один документ.

Есть ли ограничения по размеру файла?

Да. Один файл принимают до 50 страниц и до 25 МБ, а без регистрации действует ещё и суточный лимит на IP-адрес.

Что будет, если обработка не удалась?

Деньги вернутся сами. Оплата идёт с баланса только за успешный результат, подписки нет.

Сколько хранятся результаты?

В истории личного кабинета 30 дней, без регистрации 1 час. С дополнительным хранилищем они остаются, пока оно оплачено.

Можно ли выгрузить таблицу сразу в Excel?

Отдельного экспорта нет. Таблицу копируют из DOCX в Excel через Ctrl+C и Ctrl+V, а потом проверяют числа.

0
В избр. Сохранено
Авторизуйтесь
Вход с паролем