OCR простыми словами: как отсканированный PDF становится текстом с поиском

Отсканированный документ — пришёл ли он с настоящего сканера или просто с камеры телефона — для компьютера это фотография. Ctrl+F ничего не находит, потому что искать нечего: там нет текста, только пиксели, которые человеку при чтении случайно кажутся буквами.

Что OCR на самом деле делает

Оптическое распознавание символов анализирует формы на странице и предсказывает, какие символы они представляют, а затем добавляет этот предсказанный текст как невидимый выделяемый слой, размещённый прямо поверх исходного изображения. Визуально ничего не меняется — вы по-прежнему смотрите на тот же скан. Функционально у страницы теперь за ней настоящий текст, который браузер или читалка PDF может искать, выделять и копировать.

Почему OCR здесь выполняется полностью в вашем браузере

OCR PDF использует Tesseract.js, WebAssembly-сборку открытого OCR-движка Tesseract, работающую как Web Worker, чтобы не подвешивать страницу во время работы. Само распознавание происходит на вашем устройстве — скан никуда не отправляется для чтения.

Что влияет на точность

• Качество скана — чёткий, хорошо освещённый, ровный скан распознаётся гораздо точнее, чем размытое или сильно перекошенное фото с телефона.
• Рукописный текст — Tesseract, как и большинство OCR-движков, создан для печатного текста; распознавание рукописного — другая, куда менее надёжная задача.
• Необычные шрифты или сильная стилизация — декоративные гарнитуры или текст с низким контрастом снижают точность так же, как затруднили бы человека, бегло просматривающего страницу.