Скан — это изображение внутри контейнера

Когда лист бумаги проходит через сканер или камеру телефона, получается одно большое изображение на страницу, упакованное в PDF, чтобы оно корректно печаталось и разбивалось на страницы. В нём нет символьных данных: буква A — это узор из тёмных пикселей, точно такой же, как буква B.

PDF может содержать и то и другое одновременно — изображение и невидимый текстовый слой поверх него, который создаёт OCR. В большинстве сканов есть только изображение. Поэтому скан на 20 страниц может занимать 30 MB, а 20-страничный набранный документ — 300 KB.

Что преобразование может и чего не может

Преобразование PDF в Word или в текст извлекает текстовый слой. Если текстового слоя нет, извлекать нечего, и честные варианты таковы: документ, содержащий изображения страниц, или сбой.

Конвертер, который «работает» со сканом и создаёт файл Word с картинками, не прочитал страницу — он её скопировал. Это всё ещё может быть полезно, если цель — редактируемый макет, но так вы не получите текст для поиска, и это не то, что большинство людей подразумевает под словом «конвертировать».

Этот сайт не выполняет OCR. Здесь скан остаётся сканом: преобразование копирует то, что есть, и сообщает об этом, а не придумывает слова. Если вам нужен текст для поиска, используйте инструмент OCR — и проверьте, работает ли он локально, прежде чем загружать важный для вас документ.

Как определить, что у вас за файл

Три проверки решат вопрос меньше чем за минуту:

  • Выделите абзац. Если он выделяется, текстовый слой есть, и преобразование сработает.
  • Найдите с помощью поиска слово, которое видно на странице. Если результатов нет, текстового слоя нет.
  • Посмотрите на размер файла на страницу. Сотни килобайт или больше на страницу — это скан; десятки килобайт — текст.

Если OCR действительно нужен

OCR распознаёт символы по пикселям и записывает текстовый слой обратно в PDF. Это отдельная задача, отличная от преобразования; она выполняется медленнее, и её точность зависит от скана: 300 dpi, ровно, с высоким контрастом, без рукописного текста. Ожидайте, что придётся исправлять имена, числа и всё, что набрано светлым шрифтом.

Если скан нужен только для чтения, часто достаточно преобразования PDF в изображение, и по сравнению с OCR это быстрее и без потерь.