Распознавание текста в PDF

Отсканированный PDF это, по сути, фотография. Глазу он кажется текстом, а компьютер видит только пиксели: ничего не выделить, не скопировать, не найти. OCR (оптическое распознавание символов) решает эту проблему: она находит буквы на изображении и превращает их в настоящий текст, в котором можно искать. Именно это делает PDF-Texterkennung, страница за страницей и с предпросмотром, чтобы было видно, что распознано.

Главный упор сделан на немецкие письма от ведомств и финансовые документы. Steuerbescheide, письма из ведомств, договоры, свидетельства, счета: всё это часто приходит в виде скана, и больше всего раздражает тогда, когда цифры и сроки из него нужно использовать дальше. Готовые шаблоны подбирают язык и разрешение под каждый тип документа, чтобы не приходилось тратить время на настройки.

Распознавание работает на немецком, английском или в смешанном режиме. Немецкие тексты с умлаутами и буквой ß особенно выигрывают, когда выбран правильный язык. Для документов, где смешаны оба языка, есть комбинированный режим: он использует оба словаря одновременно.

Разрешение определяет точность и скорость. 150 DPI это быстро, и этого хватает для чистых, чётко напечатанных страниц. 300 DPI это стандарт для большинства документов. 600 DPI выжимает максимум из мелкого шрифта, договоров или слегка размытых сканов, но занимает чуть больше времени. К каждой странице ты получаешь уровень уверенности, который показывает, насколько надёжным было распознавание.

Результат можно просмотреть постранично или как сплошной текст, поискать в нём прямо в браузере и забрать распознанный текст: он готов к дальнейшему использованию, например чтобы перенести цифру в калькулятор или срок в Fristenwächter. Количество слов и символов на каждой странице всегда перед глазами.

Само распознавание символов требует вычислительной мощности, поэтому работает на сервере, но только на этом шаге. Твои документы не хранятся постоянно. Без подписки ради простого скана, без обходного пути через иностранный облачный сервис с непонятными условиями защиты данных.