Как выполнить OCR отсканированного PDF и сделать его доступным для поиска

Отсканированный PDF — это изображение, а не текст: вы не можете искать, выделять или копировать его содержимое. Это руководство показывает два локальных пути pdfmcp: OCR в PDF с возможностью поиска или OCR в обычный текст, всё на вашем устройстве, с настройками, которые действительно важны.

Почему в отсканированном PDF нет текста

Сканер сохраняет фотографию каждой страницы. Слова — это пиксели в изображении, а не символы, поэтому поиск ничего не находит, выделение текста ничего не выделяет и копировать нечего. OCR (оптическое распознавание символов) это исправляет: оно читает изображение каждой страницы и угадывает, какие символы образуют пиксели.

pdfmcp использует для этого Tesseract. Есть две операции OCR, и каждая отвечает на разную потребность. ocr_pdf возвращает вам PDF с тем же видом, но с невидимым текстовым слоем, чтобы сам документ стал доступен для поиска и выделения. ocr_to_text возвращает вам только слова, как обычный текст. Обе работают локально.

Выберите путь: PDF с возможностью поиска или только текст

Выбирайте ocr_pdf, когда документ должен остаться документом: контракт, отчёт или архив, который другие будут открывать, просматривать и цитировать. Он работает локально с пакетом pdfmcp, потому что создание чистого PDF с возможностью поиска требует тяжёлой машинерии. Страницы, у которых уже есть текстовый слой, проходят без изменений и сообщаются как пропущенные, поэтому запускать его на смешанном документе безопасно.

Выбирайте ocr_to_text, когда вам нужны только слова: вставить в заметку, передать скрипту или прочитать, что говорит скан. На сайте он работает на вашем устройстве, в вашем браузере, и ваш файл никогда не загружается; учтите, что веб-версия на устройстве включает только английский. Та же операция с локальным пакетом может настроить язык.

Создание PDF с возможностью поиска, шаг за шагом

1) Установите пакет pdfmcp только один раз (см. страницу MCP). 2) Запустите операцию ocr_pdf на своём файле локальным пакетом, агентом, подключённым через локальный MCP, или собственным кодом. 3) Откройте результат и проверьте его: поищите слово, которое вы видите на странице. Если поиск находит его и выделяет в правильном месте, текстовый слой на месте.

Если вы работаете через ИИ-агента, те же шаги сжимаются в один запрос: подключите локальный MCP-сервер один раз (см. руководства по настройке), а затем попросите агента сделать OCR файла. Всё происходит на вашей машине.

Настройки, которые важны: язык, DPI и страницы

Язык — это настройка, в которой люди ошибаются чаще всего. По умолчанию стоит eng (английский). Для других языков установите параметр языка на код языка Tesseract или комбинируйте коды: eng+deu для документа, смешивающего английский и немецкий, например. Языковые данные скачиваются только один раз при первом использовании и остаются на вашей машине. Выбор языка, на котором документ действительно написан, имеет гораздо большее значение, чем любая другая настройка.

DPI по умолчанию равно 300 и может быть установлено между 150 и 600: это разрешение, в котором каждая страница рендерится перед распознаванием. Оставьте 300 для обычных сканов; более высокое значение может помочь с мелким шрифтом ценой более медленной работы на вашей машине. Наконец, параметр страниц ограничивает работу указанными вами страницами (например, 1-3,5,8), что является самым быстрым способом протестировать настройки на нескольких страницах перед обработкой длинного документа.

Лимиты, конфиденциальность и честные границы

На практике вас ограничивает ваше устройство: память и скорость, а в браузере — файлы примерно до 100 МБ и 500 страниц. Очень длинные документы занимают столько времени, сколько занимает ваша машина; разделение огромного скана на части остаётся хорошей идеей.

Конфиденциальность следует правилам pdfmcp, без более сильного утверждения, чем делает сам сайт: всё работает локально, ваш файл никогда не загружается, никогда не хранится ни на каком сервере и никогда не используется для обучения ИИ. И честная граница: OCR читает печатный текст из достаточно чёткого скана. Рукописный текст, сканы с очень низким контрастом и повреждённые страницы дадут ошибки: результат — текстовый слой по мере сил, а не заверенная транскрипция, поэтому проверяйте важные имена и числа по изображению страницы.

Попробуйте бесплатно в браузере

Частые вопросы

OCR в pdfmcp бесплатен?

Да, бесплатно навсегда. Инструмент OCR в текст на устройстве бесплатен и не требует никакого аккаунта. Полный OCR локальным пакетом также бесплатен, без ключа и без дневной квоты. Платного уровня нет.

Изменит ли OCR вид моего PDF?

ocr_pdf добавляет невидимый текстовый слой; изображения страниц остаются как были. Страницы, у которых уже есть текст, проходят без изменений и сообщаются как пропущенные.

Какие языки может читать OCR?

С локальным пакетом установите параметр языка на код языка Tesseract (по умолчанию eng; комбинации вроде eng+deu работают): языковые данные скачиваются только один раз при первом использовании. Веб-инструмент OCR в текст на устройстве включает только английский.

Почему мой большой скан занимает столько времени?

OCR — тяжёлая работа, и она выполняется на вашей машине, поэтому очень длинный скан занимает столько времени, сколько занимает ваш компьютер. Разделите документ на меньшие части и примените OCR к этим частям или, если у файла уже есть текстовый слой, извлеките этот текст вместо этого с помощью pdf_to_text.

Работает ли OCR с рукописным текстом?

Он предназначен для печатного текста. Рукописный текст и сканы низкого качества могут давать ошибки, поэтому проверяйте критические детали по исходному изображению страницы.

Первоначально опубликовано на https://pdfmcp.org/guides/how-to-ocr-a-scanned-pdf/