Как распознать текст из PDF в Word и не испортить документ
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.
| Формат | Когда выбирать | Что учесть |
| DOCX | Правка, согласование, работа по шаблону | Оформление по умолчанию, стили задаёте сами |
| Отправить или распечатать без правок | Для редактирования неудобен | |
| Markdown | Заметки, базы знаний, передача текста в нейросеть | Структура видна прямо в тексте |
| TXT | Вставка в форму, программу или поиск по тексту | Без 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.