PDF-скан: структура и распознавание¶

PDF-скан — это файл формата Portable Document Format, созданный путём сканирования бумажного документа с помощью сканера или мобильного приложения, при котором содержимое сохраняется в виде растрового изображения страницы, а не набора текстовых символов. Такой PDF визуально не отличается от обычного электронного документа, но текст внутри него не выделен, не копируется и не ищется, пока не будет выполнено распознавание (OCR).

¶Признаки PDF-скана

Отличить скан от «живого» PDF можно по нескольким признакам:

• Невозможно выделить текст. Курсор выделяет страницу целиком как картинку, а не отдельные слова и строки.
• Поиск по документу не работает или выдаёт нулевые результаты.
• Размер файла. Скан на 100 страниц может занимать десятки мегабайт, тогда как текстовый PDF того же объёма — единицы мегабайт.
• Визуальные артефакты: наклон страницы, тени от переплёта, фон бумаги, цветовые искажения, шум от сканирующей матрицы.
• Свойства файла. В метаданных PDF-скана в качестве источника часто указаны устройства (сканер, модель телефона) или программное обеспечение (CUPS, VueScan, CamScanner, Adobe Scan), а не текстовый редактор.

¶Техническая структура

Внутри PDF-файла, полученном сканированием, текстовый слой отсутствует. Страница описывается как XObject-ресурс типа /Image, содержащий растровые данные (обычно в формате JPEG или сжатие CCITT для чёрно-белых сканов). Файл может содержать только векторную рамку и само изображение. В PDF-файле, созданном текстовым редактором, содержимое описывается операторами вывода текста (Tj, TJ) со ссылками на шрифты.

¶Качество сканирования

Ключевые параметры, определяющие пригодность скана к распознаванию:

Недостаточное разрешение, сильное сжатие JPEG или неровное положение страницы приводят к ошибкам распознавания: пропускам символов, слипанию букв, подмене похожих знаков (например, «0» вместо «О»).

¶Распознавание текста (OCR)

Чтобы сделать содержимое PDF-скана доступным для поиска и копирования, применяется оптическое распознавание символов (OCR, Optical Character Recognition). Программа анализирует изображение, выделяет области со знаками, определяет символы и создаёт невидимый текстовый слой поверх картинки. Такой PDF называют «поисковым» (searchable PDF) — он визуально остаётся сканом, но текст внутри него выделяется и ищется.

¶Инструменты

• ABBYY FineReader — коммерческая программа российской компании ABBYY, один из лидеров по точности распознавания, поддерживает более 190 языков, включая распознавание таблиц и структуры документа.
• Tesseract OCR — свободный движок распознавания, разработанный HP и поддерживаемый Google; включает русский язык, активно используется в open-source-проектах.
• Adobe Acrobat Pro — коммерческий редактор PDF с функцией распознавания и редактирования сканов.
• Веб-сервисы и мобильные приложения — CamScanner, Adobe Scan, ABBYY FineReader Online и аналоги, выполняющие OCR на стороннем сервере или локально.

¶Точность распознавания

Точность OCR зависит от качества исходного изображения, шрифта, языка и программного обеспечения. Для печатного текста на чистом фоне при разрешении 300 dpi современные движки достигают точности 98–99 %. Сложные случаи — рукописный текст, разрежённые шрифты, документы с низким контрастом — снижают точность до 70–85 % и требуют ручной проверки.

¶Применение PDF-сканов

PDF-сканы широко используются в следующих сферах:

• Делопроизводство и архивы — оцифровка бумажных договоров, актов, протоколов, корреспонденции.
• Библиотеки и музеи — создание цифровых копий редких изданий, рукописей, архивных документов.
• Государственные услуги — приём сканов документов в электронных системах (Госуслуги, налоговая отчётность).
• Судебное дело и правоохранительная практика — оцифровка материалов дела.
• Образование — сканирование учебной литературы, лекций, методических пособий.

¶Ограничения

Основной недостаток PDF-скана — отсутствие текстового слоя, что делает документ недоступным для полнотекстового поиска, цитирования, машинной обработки и адаптации для слабовидящих. Дополнительные проблемы связаны с качеством сканирования: перекос, обрезанные поля, посторонние объекты (пальцы, скрепки), неравномерная освещённость. Для долгосрочного архивного хранения предпочтительнее формат PDF/A с текстовым слоем, созданный на основе скана с применением OCR.

¶См. также

• Portable Document Format
• Оптическое распознавание символов
• Сканер
• PDF/A

¶Источники

• Adobe Systems. PDF Reference, Version 1.7.
• ABBYY. Техническая документация FineReader.
• Tesseract OCR Documentation. GitHub.
• ГОСТ Р ИСО 19005-1 — Формат электронного документа для долговременного хранения (PDF/A).