Чтобы преобразовать отсканированный PDF в Markdown, добавьте его в MD Factory. Приложение находит страницы, которые являются просто картинками с текстом, распознаёт текст на вашем ПК встроенным OCR и сохраняет файл Markdown рядом с PDF.
OCR хорошо справляется с чистыми печатными страницами и ошибается на блёклых, перекошенных и рукописных, поэтому результат нужно сверить со сканом. Шаги ниже описывают то, что отличается от обычного PDF: язык распознавания, статус «Требуется проверка», таблицы, рукописный текст и настройки сканера.
Преобразование отсканированного PDF
- Откройте MD Factory.
- Нажмите «Добавить файлы» и выберите PDF или перетащите его в окно. Чтобы преобразовать целую папку со сканами вместе с вложенными папками, нажмите «Добавить папку».
- Преобразование начинается сразу. Для первого PDF в строке сначала показано «Загрузка движка PDF», а затем идёт обработка страниц.
- Дождитесь, пока в строке появится результат: «Готово», «Требуется проверка» или «Ошибка».
- Дважды щёлкните путь к результату в строке, чтобы открыть файл Markdown.
Файл Markdown получает имя PDF и сохраняется в той же папке. Если на страницах есть изображения, например фотографии или схемы, они попадают в папку рядом с ним. Сам PDF не изменяется.
Scans/
lease-agreement.pdf
lease-agreement.md
lease-agreement_images/PDF преобразуются по очереди, а документы других типов из очереди обрабатываются параллельно с ними. Приложение читает файлы только на локальных дисках. Если сканер сохраняет файлы в сетевую папку, сначала скопируйте PDF на свой ПК.
Как приложение решает, что странице нужен OCR
Странице нужен OCR, если её текст существует только в виде картинки. MD Factory проверяет в каждом PDF наличие выделяемого текста и выбирает один из двух способов:
- Если ни на одной странице нет выделяемого текста, весь файл считается сканом, и каждая страница целиком распознаётся с помощью OCR.
- Если на некоторых страницах текст есть, приложение оставляет его как есть и запускает OCR только там, где текст представлен изображением, например на отсканированной странице внутри печатного отчёта.
Смешанный PDF не нужно готовить заранее. В нашем тесте трёхстраничный файл, где первая и последняя страницы были напечатаны, а средняя отсканирована, превратился в один файл Markdown с текстом всех трёх страниц.
MD Factory принимает сканы только в виде файлов PDF. Файлы изображений, например JPG, PNG или TIFF, попадают в список пропущенных, поэтому настройте приложение сканера на сохранение в PDF.
Если во всём вашем PDF уже есть выделяемый текст, OCR не участвует. Такие файлы описаны в руководстве по преобразованию PDF в Markdown .
Выбор языка распознавания
Каждый PDF начинается с языка распознавания «Авто (определение письменности)». В этом режиме приложение определяет, какой алфавит использует каждая страница, например латиницу, кириллицу, греческий или арабский, и читает страницу моделью для этого алфавита. В наших тестах на чистых тестовых страницах с разрешением 300 dpi и текстом 12 пунктов режим «Авто» прочитал английскую страницу без ошибок, а русскую с менее чем одним неверным символом на сотню.
Язык нужно выбрать, когда PDF завершился со статусом «Требуется проверка» или «Ошибка»:
- Когда очередь закончит работу, нажмите на статус в строке файла. Откроется окно со списком найденных проблем.
- Откройте список «Язык распознавания» и выберите язык документа.
- Нажмите «Повторить».
Выбрать язык заранее нельзя. Каждый новый PDF начинается в режиме «Авто», а язык, выбранный в прошлый раз, предлагается заранее при следующем повторе.
Два языка на одной странице нормально читаются в режиме «Авто», если у них общий алфавит, как у английского и немецкого.
Если алфавиты разные, «Авто» читает всю страницу как один из них. Для большинства алфавитов эта модель охватывает и английский, поэтому английские термины на греческой или арабской странице обычно распознаются. Кириллица — исключение: в нашем тесте страница с английским и русским текстом получила «Требуется проверка». Повторите с основным языком страницы, а затем сверьте со сканом слова в другом алфавите.
Что значит «Требуется проверка» для скана
«Требуется проверка» означает, что приложение сохранило файл Markdown, но нашло проблему, которую стоит проверить. Для сканов окно, которое открывается по статусу, обычно показывает одно из таких сообщений с номером страницы в скобках:
| Сообщение | Что произошло | Что делать |
|---|---|---|
| OCR не смог прочитать часть документа. Выберите язык и повторите. | Средняя уверенность распознанных слов на этой странице ниже 75%, либо часть страницы прочитать не удалось. | Выберите язык документа и повторите. Если язык выбран верно, сверьте страницу со сканом или отсканируйте её заново. |
| На странице не извлечён текст. Сверьте её с исходником. | На этой странице ничего не распознано. Пустые страницы получают это же сообщение. | Посмотрите страницу в PDF. Если на ней есть текст, отсканируйте её заново, чётче. |
Если ни с одной страницы не удалось получить текст, файл получает статус «Ошибка», а окно предлагает повторить с явно выбранным языком распознавания.
«Готово» не значит, что каждый символ верен. Проверка смотрит на среднее значение по всей странице, поэтому один неверно прочитанный символ на в остальном чистой странице её не вызовет. На упомянутой выше чистой русской тестовой странице число 1248 превратилось в 124%.
Прежде чем полагаться на текст, сверьте со сканом все цифры, которые будете использовать: имена, даты, суммы, номера счетов и документов.
Перекошенные, зашумлённые и блёклые страницы
Небольшой наклон и мелкие пятнышки не мешают. В наших тестах страница с наклоном около одного градуса, слегка размытая и покрытая мелкими пятнышками, преобразовалась со статусом «Готово».
Плохой скан помечается. Размытая малоконтрастная страница, отсканированная в низком разрешении и наклонённая на 3,5 градуса, получила «Требуется проверка».
Страницы, лежащие боком или вверх ногами, поверните в приложении сканера или в редакторе PDF до преобразования. Если страница получила «Требуется проверка» из-за качества, а не языка, отсканируйте её заново с настройками ниже.
Таблицы на отсканированных страницах
MD Factory ищет таблицы и на отсканированных страницах и записывает их как таблицы Markdown. Каждая ячейка остаётся текстом, распознанным OCR, а таблица хорошо скрывает ошибки: неверная цифра в столбце чисел выглядит так же правдоподобно, как верная.
Сверяйте таблицу со сканом строка за строкой. Сложите столбец и сравните результат с напечатанным итогом. Если значения сместились в другую строку или другой столбец, исправьте их в файле Markdown. В руководстве по PDF есть пример восстановления таблицы, потерявшей строки.
Рукописный текст
MD Factory распознаёт печатный и набранный на компьютере текст. Он не рассчитан на рукописный: заметки от руки, пометки на полях и заполненные поля форм могут получиться искажёнными или пропасть.
Не полагайтесь на преобразованный текст там, где что-то написано от руки. Считайте эталоном скан и вводите такие фрагменты сами.
Как сканировать для лучшего распознавания
Качество распознавания зависит от изображения. Руководство Tesseract по улучшению качества OCR перечисляет, что затрудняет чтение изображения, а для сканирования всё сводится к пяти правилам:
- Сканируйте с разрешением 300 dpi или выше. В руководстве сказано, что распознавание лучше всего работает при разрешении не менее 300 dpi.
- Кладите страницу на стекло ровно. Наклонённую страницу гораздо труднее разбить на строки текста.
- Следите за ровным освещением, особенно когда фотографируете страницы телефоном. Тени и неравномерно тёмный фон мешают отличить текст от бумаги.
- Закрывайте крышку сканера или обрезайте края. Тёмные рамки вокруг отсканированной страницы могут прочитаться как лишние символы.
- Берите самую чистую копию из имеющихся. Пятна и другой шум снижают точность.
Сохраняйте каждый документ в отдельный PDF. MD Factory создаёт один файл Markdown на каждый PDF, поэтому стопка несвязанных бумаг, отсканированных в один файл, превратится в одну длинную заметку.
Удостоверения, договоры и медицинские документы
Сканы часто личные: паспорта, договоры, банковские выписки, медицинские документы. MD Factory распознаёт их на вашем ПК и не загружает ни PDF, ни распознанный текст.
Файл Markdown сохраняется рядом со сканом. Текст, который был заперт в картинке, теперь обычный текст, и любой, у кого есть доступ к папке, может его прочитать и найти в нём нужное. Если эта папка синхронизируется с OneDrive или другим облачным сервисом, файл Markdown синхронизируется тоже. Наше руководство по преобразованию документов без загрузки в интернет показывает, как проверить, где хранится папка.
Для юридических, медицинских и финансовых документов оригиналом остаётся скан. Относитесь к файлу Markdown как к рабочей копии и сверяйте каждое число со сканом, прежде чем действовать. Когда файл Markdown и папка с его изображениями станут не нужны, удалите их.