Два типа PDF, которые вам встретятся
Любой PDF в мире попадает в одну из трёх корзин: цифровой, сканированный или гибридный (смесь обоих).
Цифровые PDF
Сделаны напрямую из цифрового источника — Word-файла, веб-страницы, экспорта из InDesign, бухгалтерского софта. Текст внутри настоящий: символы, шрифты, абзацная структура. Можно выделить предложение, скопировать, вставить в чат. Они обычно небольшие, чёткие на любом масштабе и нормально ведут себя со стандартными конвертерами.
Сканированные PDF
Это фотографии листов. Кто-то прогнал страницы через сканер или сфоткал их телефоном и сохранил картинки в обёртке PDF. Реального текста в файле нет — только изображения текста. Выделение «текста» курсором подсвечивает прямоугольник, а не буквы. Размеры обычно больше, потому что картинки занимают больше байтов, чем символы.
Гибридные PDF
Частые гости в реальных воркфлоу: цифровой шаблон договора с приклеенной отсканированной страницей подписи или объединённый файл, где часть страниц из Word, а часть с копира. Каждая страница может быть своего типа.
Как определить тип за две секунды
Откройте PDF и попробуйте выделить слово курсором. Возможны три исхода:
- Слово выделяется буква за буквой. Цифровой PDF.
- Вся страница (или крупный блок) подсвечивается одной фигурой, как будто вы тянете рамку поверх изображения. Сканированный PDF.
- Часть страниц ведёт себя как 1, часть — как 2. Гибрид.
Этот двухсекундный тест экономит больше времени, чем любое сравнение фич.
Стандартный PDF в Word: когда работает
Для цифровых PDF стандартный путь конвертация PDF в Word — правильный выбор. Инструмент читает встроенный текст, шрифты и структурные подсказки и пересобирает их внутри .docx. Чего ждать:
- Точность по тексту близка к 100% — символы уже цифровые, угадывать ничего не надо.
- Сохранённое форматирование: шрифты, заголовки, жирный/курсив, списки, простые таблицы.
- Картинки примерно там же, где они стояли в источнике.
- Скорость: 50-страничный отчёт конвертируется за секунды.
Оставшийся 1-2% проблем обычно про вёрстку: футер втянулся в абзац, двухколоночная страница превратилась в одну длинную колонку, сложная таблица слегка съехала. Доработка, а не переписывание.
Конвертация с OCR: когда нужна именно она
Для сканированных PDF стандартная конвертация сделает вид, что отработала, и выдаст Word без текста. Инструмент не находит текст, потому что его нет — только картинки. Нужен OCR, оптическое распознавание: оно смотрит на изображения и реконструирует текст по формам букв.
Случаи, где OCR обязателен:
- Любой документ, прошедший через сканер или копир.
- Фотографии страниц на телефон.
- Факсы (да, до сих пор живут в медицине и юриспруденции).
- Старые PDF до примерно 2005 года — многие были сканами по умолчанию.
- Госформы, полученные как «распечатано-и-отсканировано».
Конвертация с OCR медленнее стандартной (от секунд до минут на страницу в зависимости от объёма) и никогда не на 100% точна. Подробнее про настройки языка и реальные ожидания по качеству — в гайде «сканированный PDF в редактируемый Word».
Сравнительная таблица для решения
| Тип документа | Рекомендуемый инструмент | Время на 10 страниц | Ожидаемая точность |
|---|---|---|---|
| Цифровой PDF (из Word, веб) | Стандартный PDF в Word | Секунды | 98-100% |
| Сканированный PDF, чистая печать | Конвертация с OCR | 30-60 секунд | 95-99% |
| Факс или ксерокопия | Конвертация с OCR | 1-2 минуты | 80-90% |
| Фото страницы на телефон | Конвертация с OCR (после поворота/обрезки) | 1-2 минуты | 85-95% |
| Рукописные заметки | Надёжного варианта нет — перенабрать | Вручную | Сильно варьируется |
| Таблица из PDF, нужна как данные | PDF в Excel, а не в Word | Секунды | 90-99% |
Последняя строка важнее, чем кажется. Если задача — затащить строки и колонки чисел в таблицу, не конвертируйте в Word и копируйте оттуда в Excel. Извлекайте таблицы сразу в Excel — структура сохраняется намного надёжнее.
Гибридные PDF: подход в два прохода
Гибридные документы — самый каверзный случай. 30-страничный договор, где всё цифровое, кроме двух отсканированных страниц подписей, технически можно прогнать через OCR целиком, но вы платите OCR-налогом за страницы, где он не нужен.
Чище подход, если результат важен:
- Разделите PDF на цифровую часть и сканированную часть.
- Цифровую — через стандартную конвертацию.
- Сканированную — через OCR-конвертацию.
- Соедините оба результата обратно в Word.
Для большинства бытовых случаев просто прогоните весь файл через OCR — цифровые страницы пройдут чисто, потому что у них уже есть выделяемый текст, а сканированные обработаются правильно.
Что делать, если выбрали не тот путь
Два варианта провала легко узнаются:
Симптом 1: пустой Word-документ
Вы прогнали стандартную конвертацию на сканированном PDF. .docx открылся, и в нём ничего нет — или только пара случайных разрывов страниц. Прогоните тот же файл через OCR — текст лежит в картинках, а не в метаданных файла, и OCR — единственный способ его вытащить.
Симптом 2: нечитаемая каша
В Word слова вроде «rmaragnemt» или «1ncome», либо вообще символы из чужого алфавита. Это OCR с неправильно выставленным языком. Запустите ещё раз с правильным языком источника (английский вместо испанского, немецкий и т.д.) — точность подскочит.
Симптом 3: текст вытащен, но вёрстка убита
Это нормально для очень тяжёлых макетов (многоколоночные отчёты, журнальные развороты). И стандартная конвертация, и OCR пересобирают текст линейно и могут не сохранить сложную сетку. Иногда ответ — принять компромисс; иногда — копировать отдельные секции, а не весь документ.
Стоимость, приватность и время обработки
Стандартная конвертация по сути бесплатна по вычислениям — это скорее парсинг, чем анализ. OCR дороже: каждая страница идёт через распознающую модель, и поэтому 50-страничные сканы заметно дольше 50-страничных цифровых PDF. На бесплатном тарифе это может означать чуть более длинную очередь для OCR-задач. На платном — иначе списываться с квоты.
Приватность одинаковая на обоих путях — загрузки шифруются при передаче и обрабатываются только на время конвертации. Но если сомневаетесь, в гайде по защите паролем есть раздел про чувствительные документы — когда стоит ставить пароль на результат до того, как им поделиться.
Правило в одну строку
Если в PDF можно выделить текст — используйте стандартную конвертацию. Если нельзя — OCR. Всё остальное в этом гайде — сноски к одному этому тесту.
Можно полистать все инструменты конвертации, если нужны смежные операции — разбить гибридный файл, вытащить таблицы.
FAQ
Как понять, что мой Пдф сканированный, а не цифровой?
Попробуйте выделить текст курсором. Если выделяются отдельные слова, PDF цифровой. Если вся страница (или большой прямоугольник) подсвечивается как одна фигура, как картинка — PDF сканированный.
OCR медленнее обычной конвертации?
Да, заметно. Стандартная конвертация — это парсинг, она работает за секунды; OCR прогоняет каждую страницу через распознающую модель и тратит секунды-минуты на страницу, в зависимости от объёма и сложности. Для 50-страничного скана закладывайте несколько минут.
OCR списывает больше кредитов или мощности?
Зависит от ценовой модели. OCR требует больше вычислений, поэтому платформы с оплатой за страницу или минуту обычно тарифицируют его дороже стандартной конвертации. На бесплатных тарифах это обычно лишь более длинная очередь, а не другая цена.
Можно ли всё равно прогнать цифровой Пдф через OCR?
Можно, но не нужно. Результат будет чуть хуже стандартной конвертации (OCR вносит мелкие ошибки распознавания, которых не бывает, когда текст уже цифровой), и займёт куда дольше. Используйте OCR только тогда, когда без него никак.
Почему в моём конвертированном Ворд совсем нет текста?
PDF сканированный, а вы использовали стандартную конвертацию. Стандартной конвертации нечего вытаскивать — реального текста в файле нет. Прогоните тот же PDF через OCR-конвертацию, и текст появится.
Попробуйте сейчас
Сделайте двухсекундный тест выделения и выберите правильный путь. Открыть конвертер PDF в Word →
