Как распознать текст из PDF в Word: сканы, таблицы и проверка результата

Текстовый PDF или скан: как понять, нужно ли распознавание

PDF бывает двух видов: с текстом внутри и с картинками страниц. Распознавание текста из PDF в Word нужно только второму виду, у первого текст уже есть, и его достаточно скопировать или открыть в Word.

Проверка занимает полминуты. Откройте файл в любой программе для просмотра PDF и сделайте три вещи:

1. Попробуйте выделить одно слово мышью. Выделилось слово — текст в файле есть. Выделилась вся страница прямоугольником — это изображение.
2. Найдите через поиск по документу (Ctrl+F) слово, которое точно видите на странице. Поиск ничего не нашёл — текстового слоя нет.
3. Повторите проверку на страницах из начала, середины и конца файла. В одном PDF бывают и текстовые, и отсканированные страницы.

Встречается и промежуточный случай: PDF уже прошёл OCR в сканере или МФУ, но слой получился плохим. Слово выделяется, а при копировании вместо него приходит набор искажённых букв или текст без пробелов. Исправлять такой слой дольше, чем распознать страницы заново.

Текстовый PDF современные версии Word для Windows умеют открывать сами и превращать в редактируемый документ, хотя сложная вёрстка при этом может сдвинуться. Со сканом так не выйдет: внутри только изображения страниц, и пока буквы не распознаны, редактировать в них нечего. Как устроено само распознавание и чем PDF с текстовым слоем отличается от скана, объясняет термин OCR — оптическое распознавание символов.

Как распознать текст из PDF в Word: порядок действий

Чтобы распознать текст из PDF в Word, нужны три шага: загрузить файл в программу или сервис распознавания, дождаться обработки всех страниц и скачать результат в формате DOCX. Потом обязательна вычитка: без неё документ отдавать в работу рано.

На примере PhotoPanda порядок такой:

1. Откройте страницу распознавания текста с фото, сканов и PDF. Попробовать можно без регистрации в пределах суточного лимита на IP-адрес, он обновляется в 03:00 по Москве; длинный документ в этот лимит может не уложиться.
2. Загрузите PDF. Один файл — до 50 страниц и до 25 МБ.
3. Дождитесь обработки. Страницы распознаются по очереди и собираются в один документ; печатный текст занимает несколько секунд на страницу.
4. Скачайте результат в DOCX. Тот же текст доступен в PDF, Markdown и TXT.
5. Откройте документ в Word рядом с исходным PDF и проверьте его по списку из раздела о вычитке ниже.

Оплата — с баланса за успешную обработку, без подписки. Если распознать файл не удалось, списанное автоматически возвращается на баланс. Водяного знака на распознанном тексте нет.

В настольных программах с функцией OCR порядок тот же: распознать, сохранить в DOCX, проверить. Отличаются настройки и то, насколько аккуратно программа восстанавливает структуру страницы: заголовки, списки, таблицы. Если результат программы вас устраивает, менять её незачем, а если таблицы рассыпаются в строки чисел, попробуйте сервис, который отдаёт текст со структурой.

Как подготовить PDF-скан, чтобы нейросеть прочитала текст

Насколько чисто удастся распознать текст из PDF в Word, задаёт скан, а не сервис. Чёткая ровная страница распознаётся почти без правок, размытая и кривая — с ошибками в каждой строке. Если бумажный документ под рукой, пересканировать его быстрее, чем потом исправлять текст вручную.

Про разрешение: 300 точек на дюйм — привычный ориентир для обычного кегля 10–12 пунктов. Плотность сканирования не то же самое, что размер картинки на экране, разница описана в термине DPI и PPI. Поднимать разрешение выше 600 dpi для текста обычно нет смысла: файл растёт в разы, а точность почти не меняется.

Сканеры часто сохраняют страницы в TIFF. Этот формат PhotoPanda не принимает, поэтому пересохраните скан в PDF или PNG. Снимки с iPhone в формате HEIC сайт сам переводит в JPEG в браузере перед загрузкой, отдельно конвертировать их не нужно.

Если сканера нет и страницы сняты на телефон, соберите фото в PDF или загружайте их по одному. На качество снимков влияют свет, угол и пересжатие в мессенджерах; как снимать документ, чтобы текст распознался с первого раза, подробно описано в статье фото в текст: как распознать текст с фото.

Большой PDF: лимит страниц, размер файла и разбивка

В PhotoPanda один PDF — до 50 страниц и до 25 МБ. Документ больше лимита делят на части, распознают каждую отдельно и склеивают результаты уже в Word. Распознавание текста из PDF в Word по частям даёт тот же результат, что и целиком: страницы всё равно обрабатываются по одной.

1. Разделите PDF по главам или блоками до 50 страниц в любой программе для работы с PDF. Нужная функция обычно называется «разделить» или «извлечь страницы».
2. Распознайте части по очереди. Зарегистрированные пользователи могут загрузить их одним пакетом.
3. Соберите DOCX в один файл. В Word откройте первую часть, поставьте курсор в конец и выберите «Вставка» → «Объект» → «Текст из файла»: остальные части встанут по порядку.

Если страниц немного, а файл не проходит по размеру, причина обычно в цветных сканах с высоким разрешением. Пересканируйте документ в оттенках серого с 300 dpi или разделите файл. Сильно пережимать PDF ради размера не стоит: артефакты сжатия вокруг букв превращаются в ошибки распознавания, и выигрыш в килобайтах оборачивается правкой текста.

Разбивка полезна и для смешанных документов. Если в отчёте на 40 страниц отсканированы только приложения, достаточно распознать их, а основной текст скопировать из текстовой части. Так меньше страниц уходит в обработку и меньше мест, где нужно вычитывать результат.

Что нейросеть сохраняет из PDF, а что придётся оформить заново

После распознавания текста из PDF в Word вы получаете структуру документа, а не его вёрстку. В PhotoPanda результат приходит в формате Markdown с заголовками, списками и таблицами, и этот текст можно скачать в DOCX для дальнейшей правки в Word.

Сохраняется:

• заголовки и их уровни;
• абзацы в порядке чтения;
• маркированные и нумерованные списки;
• таблицы — строками и столбцами, а не числами через пробел.

Не переносится:

• шрифты, цвета, размеры и точные отступы;
• колонки и положение блоков на странице;
• печати, подписи, логотипы и иллюстрации — это часть изображения, а не текст;
• рукописные пометки: PhotoPanda распознаёт только печатный текст.

На стыках страниц проверьте три вещи: оборванный на переходе абзац, колонтитулы и номера страниц, которые могли попасть в текст, и переносы вроде «распо-знавание», оставшиеся от вёрстки оригинала. Сноски иногда оказываются посреди абзаца, их проще перенести в конец вручную.

Если нужен документ «как в оригинале», с печатями и подписями на своих местах, распознанный текст его не заменит. Храните исходный PDF рядом с DOCX: текст — для правки, цитирования и поиска, скан — как подтверждение того, что было в документе.

DOCX, PDF, Markdown или TXT: какой формат скачать

Если задача — распознать текст из PDF в Word и править его, берите DOCX. Остальные форматы нужны, когда текст уходит не в Word, а в заметки, формы или другие программы.

Если документ потом будут искать по словам или передавать языковой модели, удобнее Markdown: заголовки и таблицы в нём размечены прямо в тексте, и программа понимает, где кончается один раздел и начинается другой. Если документ уходит юристу или бухгалтеру на правку, берите DOCX.

Открыв DOCX, посмотрите, к каким стилям привязаны заголовки. Если к стилям «Заголовок 1» и «Заголовок 2», Word построит оглавление сам через «Ссылки» → «Оглавление». Если заголовки оформлены обычным текстом, назначьте им стили вручную: это пара минут, а навигация по длинному документу станет заметно удобнее.

Иногда нужны оба варианта. Например, договор поставки, допустим на 12 страниц, удобно скачать в DOCX для правок и в Markdown для внутренней базы документов, где по нему будут искать номера и даты.

Как проверить распознанный документ в Word

Распознанный текст из PDF в Word вычитывают не подряд, а там, где ошибка дорогая или незаметная: числа, имена, стыки страниц и таблицы. Удобнее всего открыть DOCX и исходный PDF рядом на одном экране.

1. Числа. Суммы, даты, номера договоров, ИНН и артикулы сверьте с оригиналом по одному: словарь их не проверит.
2. Имена собственные. Фамилии, названия компаний, адреса. Постобработка может заменить редкое слово похожим словарным.
3. Похожие символы. Ноль и буква О, тройка и З, единица и строчная l.
4. Латиница внутри русских слов. Включите проверку орфографии: слово, где одна буква латинская, Word подчеркнёт как ошибку, а поиск такое слово не найдёт.
5. Стыки страниц. Оборванные абзацы, лишние номера страниц и колонтитулы.
6. Таблицы. Число строк и столбцов, итоговые суммы.
7. Оформление. Шрифт и отступы назначайте через стили, а не вручную: так документ выглядит единообразно, а оформление меняется для всего файла сразу.

Для длинного документа помогает поиск. Двойные пробелы и одиночные буквы между пробелами быстро показывают склеенные и разорванные слова, а поиск по характерным словам из оригинала — пропущенные строки.

Если ошибок много и они повторяются на каждой странице, дело почти наверняка в исходнике. Быстрее пересканировать документ по таблице из раздела о подготовке скана и распознать заново, чем править текст построчно.

Таблицы из PDF: перенос в Word и Excel

Когда вы распознаёте текст из PDF в Word, таблица со скана приходит таблицей — со строками и столбцами. Отдельного экспорта в Excel у PhotoPanda нет, но таблицу из DOCX можно перенести в Excel обычным копированием.

1. Откройте DOCX и выделите таблицу целиком.
2. Скопируйте её (Ctrl+C) и вставьте в Excel (Ctrl+V): ячейки встанут на свои места.
3. Проверьте числа. Если Excel выровнял их по левому краю, он считает их текстом. Обычная причина — пробелы внутри числа или точка вместо запятой в дробной части. Исправьте их через «Найти и заменить».

Сложные таблицы — с объединёнными ячейками, многоуровневой шапкой, повёрнутым текстом — распознаются хуже простых. Если таблица важная, пересчитайте итоги по строкам и столбцам: несовпадение сразу покажет ячейку с ошибкой. Для отчётности и смет это надёжнее, чем вычитывать каждую цифру глазами.

Если в PDF таблица занимает несколько страниц, на стыке может повториться шапка. В Word удалите лишнюю строку шапки до переноса в Excel, иначе она окажется посреди данных.

Типичные ошибки при распознавании PDF онлайн

Большинство неудачных попыток распознать текст из PDF в Word связано не с сервисом, а с тем, какой файл в него загрузили. Вот частые ошибки и что с ними делать.

• Распознают текстовый PDF. Текст уже был в файле, а распознавание только добавило шанс ошибок. Сначала проверьте выделение и поиск.
• Загружают TIFF. Формат не принимается — пересохраните скан в PDF или PNG.
• Сканируют развороты книги. Две страницы на одном листе дают перемешанные строки. Разрежьте разворот пополам до распознавания.
• Оставляют перевёрнутые и кривые страницы. Поверните страницы в программе просмотра PDF и сохраните файл.
• Пережимают файл ради лимита. Артефакты сжатия превращаются в ошибки букв, лучше разделить PDF.
• Ждут копию вёрстки. Распознавание даёт текст со структурой, а оформление задаётся в Word.
• Рассчитывают на рукописные пометки. Печатный текст распознаётся, подписи и вписанное от руки придётся перенести вручную.
• Фотографируют экран. Снимок монитора с открытым PDF даёт муар, блики и перспективу. Если файл есть, загрузите сам PDF или сделайте снимок области экрана.
• Не вычитывают цифры. Одна неверная цифра в сумме договора опаснее десятка опечаток в словах.

Отдельно о защищённых файлах. Если PDF открывается только по паролю, сначала откройте его в программе просмотра и сохраните копию без пароля — при условии, что у вас есть право работать с этим документом.

Много документов: пакетная обработка и API

Если распознавать текст из PDF в Word нужно для архива из десятков файлов, удобнее пакетный режим или API, чем загрузка по одному. Оба доступны после регистрации; без неё файлы на сайте распознаются по одному.

• Пакетно в личном кабинете. На вкладке «Пакетно» можно загрузить до 50 файлов за раз, результаты скачиваются одним ZIP-архивом. Большой пакет кабинет сам делит на части по размеру.
• Через API. API для распознавания документов встраивает распознавание в ваш сервис или документооборот. Ключ создаётся в личном кабинете и передаётся заголовком X-API-Key. Одиночный файл обрабатывается синхронно, пакет до 50 файлов — с уведомлением на ваш адрес (webhook), подписанным HMAC-SHA256.

Пакетная обработка особенно выручает при оцифровке архива: сканы одной серии документов распознаются одинаково, а проверку можно организовать по единому списку из раздела о вычитке. Перед большим пакетом распознайте одну типичную страницу и убедитесь, что качество скана подходит, — так ошибка в настройках сканера не размножится на сотни страниц.

Документы с персональными данными: где идёт обработка

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

Сроки хранения такие: загруженные исходники удаляются в течение 24 часов после обработки, результаты в истории личного кабинета хранятся 30 дней (с купленным дополнительным хранилищем — пока оно оплачено), результаты без регистрации — 1 час. Удаление автоматическое, подробности — на странице обработки персональных данных.

Если документ нужен надолго, скачайте DOCX сразу после распознавания и храните у себя: через 30 дней результат из истории исчезнет. Распознавайте только документы, с которыми вам разрешено работать.

Ещё одна привычка, которая снижает риски: отправляйте в распознавание только нужные страницы. Если для работы нужен текст договора, а в конце PDF лежат копии паспортов или справок, отрежьте эти страницы до загрузки. Лишние персональные данные не попадут ни в обработку, ни в результат.

Итог: порядок действий в пяти шагах

1. Проверьте, есть ли в PDF текстовый слой: выделение слова и поиск.
2. Если это скан, подготовьте файл: 300 dpi, оттенки серого, ровные страницы, без разворотов.
3. Уложитесь в 50 страниц и 25 МБ на файл, большой документ разделите.
4. Распознайте и скачайте DOCX, а для заметок и баз знаний — Markdown.
5. Вычитайте числа, имена, стыки страниц и таблицы.

Если коротко, распознать текст из PDF в Word — значит убедиться, что это действительно скан, дать сервису чистую страницу и проверить в результате то, что не проверит словарь: цифры, имена и таблицы.