OCR для перевода документов: как выбрать движок¶
На одной странице договора скан выглядит аккуратно, но OCR превращает номер пункта в случайный набор символов, а таблицу - в строки без связей между колонками. Ошибка распознавания переходит в перевод и может поменять смысл обязательства, сумму или имя.
Выбор движка поэтому не сводится к вопросу «у кого выше точность». Для перевода важны язык, порядок чтения, таблицы, координаты текста и способ проверки сомнительных фрагментов. Сравнивать нужно на собственных документах, а не по общей оценке, которую нельзя перенести на любой скан.
OCR, или оптическое распознавание символов, превращает текст на изображении в машинно-читаемые слова. В документном процессе движок может также возвращать структуру страницы, координаты фрагментов и оценку уверенности. Эти данные помогают переводчику увидеть, что именно распознано и где результат может быть ненадёжным.
Сначала определите, нужен ли OCR¶
PDF - это контейнер, а не гарантия того, что внутри лежит текст. В одном файле символы можно выделить мышью и скопировать, в другом каждая страница представляет собой фотографию, а в третьем часть страниц текстовая, а часть состоит из сканов.
Для PDF с доступным встроенным текстом OCR не всегда нужен: конвейер перевода может извлечь текст напрямую. Google Document AI отдельно документирует извлечение встроенного текста из PDF, в том числе текста с необычным стилем или поворотом; детали реализации стоит сверять с документацией Enterprise Document OCR.
Проверка простая: попробуйте выделить абзац и вставить его в текстовый редактор. Если появляются правильные слова, а не пустая строка или набор символов, у файла может быть текстовый слой. Но выделение само по себе не доказывает, что весь документ извлекается чисто: текстовый слой бывает неполным, а сканированные приложения могут чередоваться с цифровыми страницами.
| Что лежит в PDF | Что проверить | Вероятный следующий шаг |
|---|---|---|
| Цифровой текст | Выделение, копирование, порядок абзацев | Извлечь встроенный текст без повторного OCR |
| Сканированные страницы | Можно ли выделить слова, насколько чётко видны символы | Распознать страницы с помощью OCR |
| Смешанный файл | Есть ли текст на одних страницах и изображения на других | Выбрать маршрут, который учитывает оба типа страниц |
| Страница с фото, печатью и рукописными пометками | Не путает ли движок основной текст и дополнительные элементы | Проверить страницу отдельно и назначить ручную сверку |
Проблема смешанного PDF особенно заметна при экспорте распознанного текста. OCRmyPDF предупреждает, что его sidecar-файл содержит текст, найденный именно распознаванием, а уже существующий текст на страницах может туда не попасть. Поэтому sidecar не всегда содержит полный текст смешанного файла; сверяйте его с содержимым всех страниц по описанию OCRmyPDF.
Механика ошибок проста: скан - это изображение, и OCR должен сначала решить, где проходит строка, какие пятна образуют символы и как слова связаны между собой. Если границы таблицы потерялись, переводчик может получить последовательность цифр и названий без указания, какой столбец к чему относится. Перевод не восстановит надёжно структуру, которой нет во входных данных.
В документации Google Document AI Enterprise Document OCR назван «Recommended when extracting text from documents» - «рекомендуется для извлечения текста из документов» (Google Cloud).
Эта формулировка описывает позиционирование конкретного сервиса, а не независимое сравнение всех движков. Google также отличает документный OCR от Cloud Vision: первый ориентирован на извлечение документов, второй описан как инструмент для общего извлечения текста, когда важны низкая задержка и высокая пропускная способность. Проверьте, соответствует ли такое разделение вашей задаче, а не выбирайте сервис только по названию.
Какие критерии важны именно для перевода¶
Движок OCR для перевода должен не просто распознавать буквы. Его результат попадёт в следующий этап обработки, поэтому критерии оценивайте вместе.
Язык и письменность¶
Начните с фактических языков на страницах, включая печати, бланки и шапки. Название языка документа не всегда описывает каждый элемент: основная часть может быть на одном языке, а реквизиты организации - на другом.
Проверьте поддержку языка и письменности у конкретной модели, а не только в общем списке сервиса. Google указывает поддержку текста, в том числе рукописного, более чем на 200 языках для Enterprise Document OCR; точный язык и письменность нужно сверять с актуальным списком процессоров. Поддержка языка не означает, что любой скан на этом языке распознаётся безошибочно.
Azure Read v4 документирует распознавание смешанных языковых строк универсальными моделями глубокого обучения без указания языкового кода. Microsoft предупреждает: не задавайте код, если не уверены в языке и не хотите принудительно применить только соответствующую модель; такое принуждение может привести к неполному или неправильному тексту (документация по языковой поддержке Azure).
Microsoft пишет: “Don’t provide the language code as the parameter unless you are sure of the language and want to force the service to apply only the relevant model.” Иными словами, не ограничивайте распознавание одной языковой моделью, если язык строки вызывает сомнения (Azure Document Intelligence).
Для Tesseract языковая настройка особенно важна: английский используется по умолчанию, если язык не задан, а несколько моделей можно указать вместе, например eng+deu. Сам движок не угадывает неизвестный язык, поэтому до запуска нужно выбрать правильные языковые пакеты и параметры (инструкция Tesseract и справка OCRmyPDF о языковых пакетах).
Документация OCRmyPDF прямо говорит: “Unfortunately, the Tesseract OCR engine has no ability to detect the language when it is unknown.” Это значит, что неверно заданный язык не стоит считать мелкой настройкой: он способен повлиять на весь полученный текст (OCRmyPDF).
Структура и порядок чтения¶
Движок может вернуть сплошной текст, слова с координатами или иерархию блоков и строк. Для перевода договора, формы или отчёта структура часто важнее, чем для короткого абзаца: системе нужно понять, где заканчивается заголовок, к какой подписи относится значение и в каком порядке читать колонки.
Google Document AI описывает структуру в виде блоков, абзацев, строк, слов и символов. Его OCR также может выравнивать перекошенные изображения и PDF перед извлечением. Textract документирует выдачу элементов макета в естественном порядке чтения, включая заголовки, абзацы, списки, рисунки, номера страниц и колонтитулы, а также извлечение строк, колонок и объединённых ячеек таблиц (Google и Amazon Textract).
Эти возможности не означают, что любой документ сохранит первоначальную верстку. Координаты и структура - промежуточное представление. Если перевод длиннее оригинала, меняется размер ячейки или таблица распознана неправильно, итоговый файл всё равно нужно проверять отдельно.
Оценки уверенности и контроль¶
Оценка уверенности помогает найти места для ручной проверки, но не доказывает, что слово верно. Если движок уверен в ошибочно распознанном названии, высокий показатель не исправит его. Используйте оценки как сигнал для сортировки, а не как замену сверке.
Amazon Textract сообщает, что каждое распознанное слово и каждая строка сопровождаются рамкой и оценкой уверенности (FAQ Textract). Tesseract может выдавать TSV с оценками уверенности на уровне слов и hOCR с рамками вокруг слов; оба формата пригодны, когда процесс перевода учитывает координаты или направляет фрагменты на проверку (документация Tesseract).
Сравните, что именно получает ваша команда: текст, структуру, координаты, confidence score или PDF с текстовым слоем. Два движка могут показать одинаковые распознанные слова, но один позволит быстро найти неуверенную строку на исходной странице, а другой потребует отдельного инструмента.
Какие движки стоит включить в сравнение¶
Ниже - не рейтинг и не обещание одинакового результата на любых файлах. Это карта документированных особенностей, которые помогают отобрать кандидатов для собственного теста. Поддержка, лимиты и поведение могут меняться, поэтому перед внедрением сверяйте текущую документацию и версию API.
| Движок | Что полезно для перевода | Ограничения и вопросы для теста |
|---|---|---|
| Google Document AI Enterprise Document OCR | Иерархия блоков, абзацев, строк, слов и символов; выравнивание; показатели качества страниц; языковые и рукописные подсказки | Уточните точный язык, версию процессора и ограничения конкретного режима |
| Amazon Textract | Рамки и уверенность слов и строк; порядок чтения; извлечение таблиц, включая объединённые ячейки | Проверьте язык и конкретный API; формы с ключами и значениями документированы для ограниченного списка языков |
| Azure Document Intelligence Read v4 | Универсальное распознавание смешанных языковых строк; создание поискового PDF с текстом поверх изображения | Проверьте ограничения тарифного уровня, форматы и языковую матрицу текущей версии |
| Tesseract | Запуск на собственной инфраструктуре; несколько языковых моделей; searchable PDF, hOCR и TSV | Нужно установить и указать подходящие языковые пакеты; неизвестный язык автоматически не определяется |
Google Document AI¶
Google описывает Enterprise Document OCR как вариант для извлечения текста из документов, отличая его от общего распознавания Cloud Vision. Сервис возвращает иерархические элементы страницы, может выравнивать PDF и изображения, а также предоставляет показатели качества изображения по отдельным измерениям, включая размытие, слишком мелкий шрифт и блики (документация Enterprise Document OCR).
Параметры качества полезны для сортировки входящих документов: команда может выделить страницы с бликами или мелким текстом до перевода. Но оценка состояния страницы не говорит сама по себе, что каждое распознанное имя или число верно. Сверяйте исходное изображение и результат, особенно для цифр, дат и реквизитов.
В документации Google для Enterprise Document OCR указаны PDF, GIF, TIFF, JPEG, PNG, BMP и WebP. Там же приведены ограничения до 15 страниц для синхронного запроса, до 500 для асинхронного и до 30 для синхронного режима без изображений; эти значения зависят от настроек процессора и требуют проверки перед запуском (Google Document AI). Поскольку ограничения могут измениться, зафиксируйте проверенные значения рядом с версией реализации, а не переносите их в спецификацию без даты.
Amazon Textract¶
Textract возвращает рамки и оценки уверенности для слов и строк. Для перевода такая связка помогает показать, где на странице находится распознанный фрагмент и насколько уверенно его извлёк движок. Документация сообщает о распознавании печатного текста более чем на 40 языках и английского рукописного текста; поддержку нужного языка и конкретного сочетания функций проверяйте по FAQ AWS Textract.
Структурные функции Textract подходят для документов, где важны порядок и таблицы. Сервис может возвращать заголовки, списки, абзацы, рисунки, колонтитулы и номера страниц в естественном порядке чтения; извлечение таблиц учитывает строки, колонки и объединённые ячейки. Извлечение форм с парами «ключ-значение» документировано для английского, немецкого, французского, испанского, итальянского и португальского языков. Эти функции зависят от API и языка, поэтому протестируйте именно тот сценарий, который будет работать в производстве (Amazon Textract).
Есть и практические ограничения входных файлов. По документации AWS, Textract принимает JPEG, PNG, PDF и TIFF, но не поддерживает PDF на основе XFA. Для асинхронной обработки PDF и TIFF указаны лимиты 500 МБ и 3000 страниц, а для синхронной - одна страница и 10 МБ. Документы могут изменять квоты, поэтому перед внедрением проверьте действующие ограничения на странице AWS.
Azure Document Intelligence Read¶
Read v4 работает с PDF, JPEG/JPG, PNG, BMP, TIFF и HEIF, а также с DOCX, XLSX, PPTX и HTML. В документации версии v4.0 GA указаны предел до 2000 страниц для PDF/TIFF, размер файла до 500 МБ для платного уровня S0 и до 4 МБ для бесплатного F0; на F0 анализируются только первые две страницы PDF/TIFF. Перед проектированием потока сверяйте формат, уровень и ограничения в документации Azure Read.
Для перевода особенно примечательна возможность создать поисковый PDF: распознанный текст встраивается поверх изображения сканированной страницы. В документации v4 сказано, что такая выдача поддерживается предварительно обученной моделью Read без дополнительной платы; актуальность поддержки и цены проверяйте перед использованием (Azure Read v4).
Не задавайте языковой код автоматически для любого файла. Azure документирует обработку смешанных языковых строк универсальными моделями без кода языка и предупреждает, что принудительный выбор при сомнениях способен привести к неполному или неправильному тексту (руководство по языкам Azure).
Tesseract и OCRmyPDF¶
Tesseract - вариант, который можно включить в процесс обработки с явным выбором языковых моделей и формата результата. В примерах документации Tesseract 5 используется нейросетевой движок LSTM с параметром --oem 1; английский применяется по умолчанию, если язык не указан, а сочетание нескольких моделей можно записать, например, как eng+deu (справка по командной строке Tesseract).
Tesseract умеет создавать searchable PDF, hOCR и TSV. hOCR хранит координаты слов, а TSV может содержать оценки уверенности на уровне слов. Возможность получить эти данные полезна для контроля, но не отвечает на вопрос о качестве конкретного языка, скана или таблицы: результаты всё равно нужно сверить на примерах из вашей коллекции.
OCRmyPDF использует языковые пакеты Tesseract и тоже предполагает английский, если язык явно не задан. Документация рекомендует указывать нужные языки и напоминает, что Tesseract не может самостоятельно определить неизвестный входной язык (OCRmyPDF: языковые пакеты).
Обработка изображения перед распознаванием тоже требует проверки. В OCRmyPDF --rotate-pages исправляет поворот страницы, а --deskew устраняет небольшой перекос. Документация советует проверять страницы после обработки: очистка изображения может повредить полезное содержимое, поэтому не считайте автоматическое выравнивание безусловным улучшением (OCRmyPDF Cookbook).
Как сравнить OCR на собственных документах¶
Бенчмарк имеет смысл только тогда, когда образцы похожи на реальные входящие файлы. Сравнение на чистом печатном абзаце мало говорит о договоре с таблицей, печатью и цифрами мелким шрифтом. Документация движков различается по форматам, структуре и оценкам уверенности, поэтому универсальную цифру точности из описаний продуктов вывести нельзя.
Шаг 1. Соберите представительную выборку¶
Включите страницы разных типов: чёткий цифровой текст, обычные сканы, таблицы, формы, страницы с печатями, смешанные языки и документ с мелкими символами. Добавьте не только хорошо читаемые примеры: низкое качество изображения - один из сценариев, на котором видны ограничения процесса.
Не собирайте выборку только из целых документов, которые выглядят одинаково. Одна страница может дать чистый результат, а соседняя - содержать поворот, блик или рукописную пометку. Для каждого движка сохраните исходную страницу и распознанную версию, чтобы результаты можно было проверить повторно.
Шаг 2. Зафиксируйте, что для вас значит ошибка¶
Разделите ошибки на категории: неправильно распознанное слово, пропущенный фрагмент, ошибка в цифре, нарушение порядка чтения, потеря связи в таблице и неверная привязка подписи или значения. Для документа с суммами и датами ошибка в одной цифре может быть важнее нескольких ошибок в обычном тексте.
Определите, какие ошибки требуют обязательного вмешательства человека. Например, имя, номер документа и дата могут попадать в список ручной проверки даже тогда, когда общая страница выглядит чисто. Такое правило относится к вашему процессу и риску, а не к универсальной характеристике конкретного движка.
Шаг 3. Настройте каждый вариант честно¶
Проверяйте каждый движок с корректными входными параметрами: подходящими языковыми моделями, нужным режимом обработки и выходным форматом. Для многоязычных страниц не сравнивайте Tesseract с указанным языковым пакетом и другой движок, запущенный с неверно принудительно заданным языком.
Сохраняйте не только текстовый результат, но и сведения, нужные для последующей проверки. Если доступна структура, координаты, рамки или оценка уверенности, включите их в тест. Отдельно проверьте, удаётся ли переводчику быстро найти соответствующее место на исходной странице.
Шаг 4. Сверьте текст и структуру¶
Используйте один и тот же контрольный список для каждого движка. Сверяйте распознанные имена, даты, номера, цифры, термины, заголовки и подписи. Затем проверьте таблицы: сохранились ли колонки, строки и смысловые связи между ячейками.
Для многоязычного текста дополнительно проверьте места, где меняется язык, например заголовок на одном языке и основной текст на другом. Если движок вернул только плоский текст, запишите, сколько ручной работы потребуется, чтобы восстановить нужную структуру.
Шаг 5. Проверьте перевод на выходе¶
Сравнивайте не только OCR-текст, но и итоговый перевод. Ошибочная дата может выглядеть как небольшая проблема распознавания, однако после перевода команда может не заметить, что исходное значение изменилось. Проверка должна охватывать пары исходный фрагмент - распознанный фрагмент - перевод.
Для файлов, где важна верстка, отдельно проверьте, не превратились ли таблицы и формы в сплошной текст. Распознавание может быть верным на уровне отдельных слов, но неподходящим для следующего этапа, если потеряны порядок чтения или привязка значений к полям.
Шаг 6. Запишите выводы и критерии выбора¶
Составьте короткую карточку по каждому движку: какие образцы обрабатывались, какие ошибки встречались, какой формат результата доступен, как проверялись сомнительные места и какие ограничения нужно учитывать. Если меняете модель, версию или языковой пакет, повторите проверку на тех же страницах.
Такой подход помогает избежать ложного вывода «этот OCR точнее» по единственному удачному образцу. Практическая рекомендация из документации движков - проверять их на собственных репрезентативных страницах, особенно на многоязычном тексте, таблицах, именах, датах, числах и низкокачественных сканах.
Чек-лист для сравнения OCR
- [ ] В выборке есть сканы, текстовые PDF и, если это типично, смешанные документы.
- [ ] Представлены нужные языки и случаи смены языка внутри страницы.
- [ ] Отдельно проверены имена, даты, номера и числовые значения.
- [ ] Проверена структура таблиц и порядок чтения.
- [ ] Сохранены координаты, оценки уверенности или другие данные для ручной сверки, если движок их выдаёт.
- [ ] Записаны язык, модель, версия и параметры запуска.
- [ ] Проверена итоговая верстка перевода, а не только распознанный текст.
- [ ] Установлены правила, какие ошибки требуют обязательной проверки человеком.
В типичном потоке документов может оказаться, что для цифрового PDF не нужен OCR, для скана с таблицами важны координаты и порядок чтения, а для простого одноязычного архива достаточно процесса с установленным языковым пакетом. Не заставляйте одну конфигурацию обрабатывать все три типа одинаково, если на тестах они требуют разных этапов.
Как встроить распознавание в переводческий процесс¶
Выбор OCR - только один участок конвейера. До него определяют тип файла и качество страницы, после него проверяют распознанный текст и только затем передают его на перевод. Если результат должен вернуться в виде оформленного документа, отдельно проверяют, как система восстановила таблицы, заголовки, поля и изображения.
Удобно разделить процесс на контрольные точки:
- Определите тип входа. Проверьте, содержит ли PDF встроенный текст или только изображение.
- Выберите способ извлечения. Для доступного текста проверьте прямое извлечение, для изображения - OCR.
- Задайте языковую конфигурацию. Учитывайте языки и письменности на самой странице, а не только название документа.
- Проверьте структуру. Сопоставьте порядок чтения, таблицы и привязку значений к заголовкам.
- Разберите сомнительные фрагменты. Используйте координаты и уверенность, если они доступны, и направляйте рискованные данные на ручную проверку.
- Переведите и проверьте результат. Сравните числа, имена, даты, терминологию и полноту.
- Сохраните проверяемость. Оставьте исходную страницу, распознанный текст и результат перевода доступными для сверки в соответствии с внутренними правилами хранения.
Типичная ситуация для переводческой команды - получить одновременно скан, текстовый PDF и документ с таблицами. Для сканированного файла может быть полезен отдельный документный поток, где OCR предшествует переводу, а результат возвращается в редактируемом формате. Например, в ChatsControl скан сначала распознаётся, затем на его основе собирается форматированный Word-файл; качество распознавания отмечается как хорошее, среднее или плохое, а слова, которые проверка всё ещё считает пропущенными, показываются читателю.
Такой способ не заменяет проверку оригинала: рукописный текст и сильно повреждённые сканы распознаются ненадёжно. ChatsControl - инструмент перевода документов, а не система для настройки или сравнительного тестирования сторонних OCR API; если команде нужны точные параметры конкретного движка и собственный бенчмарк, их следует проверять в выбранной среде обработки.
Подводные камни: где ошибка OCR становится ошибкой перевода¶
Проблемы редко ограничиваются «неправильной буквой». У OCR и перевода разные задачи: OCR должен прочитать изображение, а перевод - передать значение исходного текста. Если первый этап потерял символ, второй может грамотно перевести уже неправильную версию.
Смешанный PDF и неполный текстовый файл¶
Sidecar OCRmyPDF может содержать распознанный текст, но не обязательно уже существующий текст со страниц. Для смешанного файла такой экспорт может выглядеть правдоподобно и при этом не покрывать весь документ. Сверяйте файл с каждой страницей, а не считайте его полным только потому, что распознанный текст открывается в редакторе (OCRmyPDF Cookbook).
Неверно заданный язык¶
Tesseract использует английский по умолчанию, если язык не указан, а неизвестный язык сам не определяет. OCRmyPDF также отмечает, что языковые пакеты должны соответствовать языкам входного текста. Проверьте конфигурацию до обработки, особенно если в одном документе встречаются разные языки (Tesseract и OCRmyPDF).
Azure отдельно предупреждает о риске принудительно заданного языкового кода, если язык неясен. В таком случае сверяйте распознавание смешанных строк без кода с вариантом, где язык задан, но сравнивайте оба результата на одних и тех же страницах (языковая поддержка Azure).
Поворот страницы и небольшой перекос¶
Поворот на четверть оборота и небольшой наклон - разные ситуации. OCRmyPDF различает исправление поворота страницы через --rotate-pages и исправление лёгкого перекоса через --deskew. После обработки просмотрите страницу: автоматическое улучшение может повредить полезное содержимое или не помочь отдельному проблемному фрагменту (руководство OCRmyPDF).
Google Document AI описывает выравнивание PDF и изображений перед извлечением, но это не отменяет проверки исходной страницы и результата. Если цифра или буква остаётся сомнительной, не делайте вывод о ней только на основании того, что документ был автоматически выровнен (Google Document AI).
Мелкий шрифт, блики и качество изображения¶
AWS указывает минимальную высоту обнаруживаемого текста в 15 пикселей, что в документации сопоставлено примерно с 8-пунктовым текстом при 150 DPI; AWS советует подавать изображение как можно более высокого качества, в идеале не ниже 150 DPI (ограничения Textract). Эти значения относятся к документации AWS, а не к универсальной границе для любого движка.
Проверьте, не превращаются ли мелкие сноски, подписи и номера в пропуски. Google перечисляет показатели качества страниц по нескольким измерениям, включая размытие, слишком мелкий шрифт и блики. Такие сигналы могут помочь выделить проблемные страницы, но не дают гарантии правильного распознавания каждого символа (Google Document AI).
Оценка уверенности без проверки оригинала¶
Confidence score помогает выбрать, что пересмотреть в первую очередь, но не подтверждает правильность слова. Для важных имён, сумм, дат и номеров сверяйте распознанный текст с изображением даже тогда, когда показатель выглядит убедительно. Textract предоставляет оценки уверенности для слов и строк, а Tesseract - TSV с оценками для слов; формат оценки и её смысл нужно учитывать отдельно для каждого инструмента (Textract и Tesseract).
Порог для ручной проверки определяйте на собственном потоке. Слишком высокий порог оставит ошибки без внимания, а слишком низкий отправит на проверку слишком много фрагментов. Проверяйте правило на реальных документах и обновляйте его при смене языков, качества входных файлов или конфигурации движка.
Ограничения API и форматов¶
Уточняйте, поддерживает ли выбранный движок входной формат, режим обработки и объём документа. Например, AWS документирует, что Textract не поддерживает XFA-based PDF; для PDF и TIFF у синхронной и асинхронной обработки разные ограничения (документация AWS по квотам).
Azure Read v4 принимает набор форматов, в который входят PDF, изображения, офисные форматы и HTML, но ограничения по размеру файла и числу страниц отличаются по тарифному уровню (Azure Read v4). Если документ выходит за пределы допустимых параметров, решение может потребовать изменения маршрута обработки, а не настройки точности OCR.
Одна метрика вместо полного теста¶
Рейтинг по количеству правильно распознанных символов не показывает, сохранён ли порядок чтения, целы ли таблицы и верно ли извлечены числа. Сверяйте разные типы ошибок и влияние каждого на дальнейший перевод. Один движок может давать более удобную структуру для формы, другой - проще встраиваться в локальную обработку текста.
Отсутствие сопоставимых независимых результатов в документации не позволяет честно объявить один движок универсально точнее. Вместо этого зафиксируйте образцы, критерии и параметры, а выбор обоснуйте тем, как система справилась именно с вашими документами.
Textract описывает результат так: “Every word and line comes with a bounding box and a confidence score” - «каждое слово и каждая строка сопровождаются рамкой и оценкой уверенности» (Amazon Textract FAQ).
Для команды это означает, что можно оценивать не только распознанный текст, но и доступность данных для его проверки. Рамка помогает найти слово на странице, а оценка уверенности помогает отсортировать фрагменты; правильность всё равно подтверждается сверкой с оригиналом.
FAQ¶
Какой OCR выбрать для перевода отсканированных PDF?¶
Сравните несколько вариантов на репрезентативных страницах и выберите тот, который правильно обрабатывает нужные языки, таблицы и порядок чтения и выдаёт удобный для проверки результат. Для начала проверьте Tesseract, Google Document AI, Amazon Textract или Azure Read, но не переносите результат теста одного документа на весь архив.
Подходит ли Tesseract для многоязычных документов?¶
Tesseract может использовать несколько языковых моделей одновременно, например eng+deu, но нужные языки требуется указать. По документации Tesseract и OCRmyPDF движок не определяет самостоятельно неизвестный язык, поэтому проверьте языковые пакеты и результат на смешанных страницах.
Какой OCR лучше сохраняет таблицы и порядок чтения?¶
Google Document AI возвращает иерархические элементы документа, а Amazon Textract описывает порядок чтения и извлечение таблиц с объединёнными ячейками. Сравните выходные структуры на своих формах: наличие такой функции в документации не гарантирует одинаковый результат для каждого расположения таблицы.
Как проверить точность OCR до перевода?¶
Подготовьте страницы с разными языками, таблицами, именами, датами, числами и разным качеством изображения. Сверьте распознанный текст с оригиналом, затем оцените структуру и проверьте, как ошибки переходят в итоговый перевод.
Можно ли обойтись без OCR, если PDF открывается?¶
Можно, если в PDF есть корректный встроенный текст, который удаётся выделить и извлечь. Если страница хранится как изображение, открытие файла не означает, что внутри доступен текстовый слой: такой материал требует OCR.
Что делать, если документ содержит несколько языков?¶
Сверьте поддержку каждого языка и письменности в актуальной документации выбранного сервиса. Azure Read v4 документирует распознавание смешанных языковых строк без указания языкового кода; для Tesseract нужно подобрать и указать языковые модели.