Распознавание текста с картинок и PDF

Чистый печатный текст распознаётся почти без ошибок; фото с телефона и блёклые сканы сложнее. Движок сам разворачивает повёрнутые снимки и читает каждую строку в её собственной наклонной рамке, а неуверенные слова подсвечены, чтобы их можно было поправить перед экспортом.

Русский, английский и другие языки на кириллице и латинице, китайский, японский, корейский, арабский, греческий, хинди и тайский читает нейросетевой движок; ещё около сотни языков — иврит, грузинский, вьетнамский, бенгальский и другие — распознаёт Tesseract. Языки сгруппированы по письменности; модели загружаются при первом использовании и остаются в кэше браузера.

Да. Многостраничные PDF рендерятся постранично через pdf.js, затем проходят OCR. Можно также экспортировать результат обратно в PDF с невидимым текстовым слоем — Ctrl+F работает, и скрин-ридеры читают документ.

Обычный режим настроен на печатный текст: разборчивый почерк с отдельными буквами он часто читает, курсив — нет. Для рукописи есть «Распознать точнее»: страница отправляется на сервер распознавания и читается моделью для почерка. На страницах школьных тетрадей она верно прочитала почти 9 слов из 10, обычный режим — меньше 1 из 10.

После распознавания мы группируем слова по вертикали в строки, делим строки на столбцы по горизонтальным промежуткам. Если минимум три строки имеют одинаковое число столбцов — считаем это таблицей и экспортируем как строки-столбцы в Excel. Иначе Excel получает одну колонку текста.

В очередь можно положить до 50 файлов. Сколько файлов распознаётся за сутки и сколько страниц PDF берётся за один проход, показывает блок над кнопкой «Извлечь текст». Размер файла подстраивается под устройство (примерно от 80 МБ на телефонах до 1 ГБ на компьютерах); PDF обрабатываются постранично, а у большого документа выбирается диапазон страниц.