2026 ж. 6 мамыр

PDF-тен мәтін шығару: OCR пен тікелей шығарудың айырмашылығы

«PDF-тен мәтінді көшіру» — қарапайым көрінетін тапсырма, бірақ ол екі мүлдем әр түрлі әлемге бөлінеді. Біреуі — мәтіндік PDF-тен жедел шығару, мұнда әріптер әріп ретінде жатады. Екіншісі — сканерленген беттерді тану, мұнда әріптер тек пиксел ретінде ғана бар. Бұл тәсілдердің айырмашылығын, нақты жағдайда қайсысы қажет екенін қалай білуге болатынын және процесс әдетте қай жерде үзілетінін талдайық.

PDF ішіндегі екі әлем

Техникалық тұрғыдан PDF — бірнеше түрлі мазмұнға арналған контейнер. Ең маңыздылары:

Мәтін қабаты — әріптер Unicode таңбалары (немесе нақты қаріп кодтары) ретінде сақталады. Оларды бөлектеуге, көшіруге, іздеуге болады.
Растрлық суреттер — пикселдер. Бет сканерден келсе, бұл жай ғана сурет, мәтін ретінде ішінде ештеңе жоқ.

PDF-ті ашып, сөзді бөлектеуге тырысқанда:

Бөлектеу әріптерге «жабысып қалса» — бұл мәтіндік PDF. Тікелей шығару жарамды.
Тек сурет блоктарын қамтитын тіктөртбұрышты бөлектей алсаңыз — OCR қажет.

Мәтінді тікелей шығару

Тікелей шығаруда бағдарлама PDF-те бұрыннан бар мәтін ағынын оқиды. Бұл:

Жедел — жүздеген бетте де
Дәл — тану қателері жоқ
Оқу ретін сақтайды — құжат дұрыс жасалса, мәтін жоғарыдан төменге, солдан оңға қарай жүреді

PDF мәтінге пайдаланыңыз — ол PDF-ті қабылдап, барлық беттер мәтіні бар таза TXT-файлды қайтарады.

Тікелей шығару жұмыс істемейтін кезде

Сканерлер немесе беттердің фотолары
Мәтін шифрленген PDF (сирек, бірақ кездеседі)
Қаріптің орнына «контурлық» рендеринг қолданылатын құжаттар (кейбір дизайнерлік PDF)
Қаріп дұрыс кодтау кестесінсіз ендірілген ескі PDF — сонда мәтіннің орнына «иероглифтер» шығады

OCR: таңбаларды оптикалық тану

OCR (Optical Character Recognition) — пикселдерді таңба ретінде тану. Заманауи қозғалтқыштар нейрондық желілерді пайдаланады және ондаған тілдегі, оның ішінде орыс және қазақ тілдеріндегі мәтіндерді таниды.

Үрдіс:

Бет суреті аумақтарға бөлінеді (мәтін, сурет, кесте)
Мәтіндік аумақтар жолдар мен әріптерге бөлінеді
Әр әріп пішіні бойынша Unicode таңбасымен салыстырылады
Шығыста — мәтіндік файл немесе сурет үстінде көрінбейтін мәтін қабаты бар PDF

OCR артықшылықтары

Кез келген сканерлер мен фотолармен жұмыс істейді
Заманауи қозғалтқыштар қолжазба мәтінді таниды (үлкен ескертулермен)
Ескі архивтерге қолданып, қағаз құжаттарды цифрландыруға болады

OCR кемшіліктері

100% дәлдік жоқ — сапалы сканерлерде де кириллицада 1–3% қателер кездеседі
Сапаға сезімталдық — қисық сканерлер, төмен ажыратымдылық, қара фон дәлдікті құлатады
Тікелей шығарудан баяуырақ — бетке бірнеше секунд
Кестелер мен бағандармен нашар жұмыс істейді — құрылым жиі жоғалады

OCR үшін PDF-ті дайындау

OCR максималды дәл жұмыс істеуі үшін:

300 DPI-де сканерлеңіз — бұл «алтын стандарт». Аз болса — дәлдік төмендейді, көп болса — пайда жоқ.
Мәтін үшін сұр реңктер режимін пайдаланыңыз — түсті шу қосады, B/W режимі жартылай реңктерді кеседі.
Беттерді түзеңіз — бет сканерге қисық тиісе, OCR қателеседі. Базалық түзеу үшін PDF айналдыру пайдаланыңыз.
Фонды тазалаңыз — бет сарғайған немесе кірлеген болса, OCR шуды әріп ретінде қабылдайды. Дамыған сканерлерде «фон сүзгісі» бар.

Орыс және қазақ тілдеріне арналған ерекшеліктер

Заманауи OCR қозғалтқыштары орыс тілін жақсы біледі. Таза баспа мәтінде дәлдік 99%-ға жетеді. Қиындықтар:

Революцияға дейінгі кириллица (Ѣ, Ѳ, І әріптері)
Қолжазба мәтін
Әсем қаріптері бар мөрлер

Қазақ тілімен қиынырақ: сапа қозғалтқышқа байланысты. Tesseract kaz тілдік пакетімен қалыпты жұмыс істейді, бірақ арнайы әріптер (ә, ғ, қ, ұ, ң, ө, ү, һ, і) кейде ұқсас орыс әріптерімен (а, г, к, у, н, о, у) шатастырылады. Әсіресе тегі мен мекенжайларды міндетті түрде қайта оқыңыз.

Құжат көп тілді болса — орыс, қазақ және ағылшын тілдерін қамтыса — заманауи қозғалтқыштар аралас мәтінді өңдей алады, бірақ дәлдігі төмендейді. Тілдерді нақты көрсету жақсы.

Шығарудан кейін не істеу керек

Танылған мәтін — шикізат. Онымен әдетте не істейді:

Іздеу — құжатты Elasticsearch немесе ішкі іздеу арқылы архивте индекстейді
Аударма — DeepL, Google Translate, ChatGPT-ге жібереді
Word-қа түрлендіру — әрі қарай өңдеу үшін
Аналитика — тұрақты өрнектер немесе LLM арқылы сомалар, күндер, ЖСН шығарады
Қысқарту — қысқаша сипаттама үшін ChatGPT немесе Claude-қа береді

Тапсырма құжатты Word ретінде өңдеу болса, бірден PDF Word-ке пайдаланған жөн — ол мәтінді тануға қоса, пішімдеуді де сақтайды.

Аралас сценарийлер

Беттерінің бір бөлігі мәтіндік, бір бөлігі сканерленген PDF-тер кездеседі. Мысалы, бес сканерленген қосымшасы бар 20 беттік шарт. Тікелей шығару негізгі бөлік мәтінін береді, бірақ қосымшаларды жоғалтады. Таза OCR бәрін өңдейді, бірақ негізгі бөлікке қателер қосады.

Оңтайлы жол:

Құжатты PDF бөлу арқылы бөліңіз
Мәтіндік беттерді PDF мәтінге арқылы
Сканерленгендерді OCR арқылы
Нәтижелерді біріктіріңіз

Бұл уақыт алады, бірақ жақсы дәлдікке жеткізеді.

Жиі қателер

Мәтіндік PDF-те OCR іске қосу. Мұнда OCR қажет емес — тек қана қателер қосады. Алдымен тікелей шығаруды сынап көріңіз.
Бағдарды елемеу. Бет бұрылған болса, OCR мәтінді мүлдем танымайды. Алдымен түзеңіз.
Төмен ажыратымдылықпен OCR жасау. 75 DPI сканерлер алдын ала қарауға ғана жарамды, тануға емес.
Нәтижені қайта оқымау. 99% дәлдік те ұзақ құжатта ондаған қате. Әсіресе тегі, сандар, ЖСН-да.

Жиі қойылатын сұрақтар

PDF-імнің мәтіндік немесе сканерленгенін қалай анықтау керек?

Файлды кез келген қарау бағдарламасында ашып, бір сөзді тінтуірмен бөлектеп көріңіз. Сәтті болса — мәтіндік. Тек тіктөртбұрышты аймақты бөлектесе — сканерленген.

Мәтінді шығару үшін онлайн-қызметті пайдалану қауіпсіз бе?

Құжатта құпия деректер болса — браузерде жергілікті жұмыс істейтін қызметтерді таңдаңыз. PDF мәтінге мазмұнды серверге жүктемейді.

Қорғалған PDF-тен мәтін шығаруға бола ма?

Пароль болса, алдымен PDF қорғанысын алу арқылы қорғанысты алыңыз.

Қазақ тілінде OCR дәлдігі қандай?

Таза баспа мәтіндерде — 95–98%. Төмен сапалы сканерлерде — айтарлықтай төмен. Арнайы әріптерді әрқашан тексеріңіз.

Бұл тегін бе?

PDF мәтінге — иә, тіркелусіз және шектеусіз.

Қорытынды

PDF-тен мәтін шығару — бір орамдағы екі түрлі үрдіс. Мәтіндік құжаттар үшін тікелей шығару жылдамырақ, дәлірек және тегін — PDF мәтінге сынап көріңіз. Сканерлер үшін OCR қажет, мұнда сапа мен тілдік пакеттер нюанстары басталады. Айырмашылықты білу «мәтін неге көшірілмейді» деген сұрақпен сағаттарды үнемдейді.