РУКОВОДСТВО · ОБНОВЛЕНО 2026-10-05
OCR или vision-модель для PDF: как выбрать способ извлечения
Выбор зависит от устройства документа и нужного результата. Разберём проверку текстового слоя, сканов и сложной разметки перед автоматическим анализом.
Для PDF с корректным текстовым слоем сначала проверьте обычное извлечение. Для сканов нужен OCR или поддерживающая изображения модель; для сложной разметки сравните сохранность структуры. Принимайте результат по исходным страницам, особенно по числам и связям в таблицах, а не по связности пересказа.
1. Определите тип документа
Откройте несколько страниц и попробуйте выделить текст. Проверьте, совпадает ли скопированная строка с изображением, не перемешались ли колонки и не потерялись ли символы. В одном PDF могут встречаться и текстовые страницы, и сканы. Разделите их в обработке, сохраняя общий идентификатор документа. Не отправляйте весь архив в мультимодальную модель только из-за формата файла. Сначала запишите требуемый результат: полный текст, поля анкеты, строки таблицы или объяснение схемы. Эти задачи требуют разных критериев качества и разного объёма входа.
2. Подготовьте сканы без потери деталей
Для OCR проверьте ориентацию страницы, перекос, обрезанные края, контраст и шум. Документация Tesseract рассматривает предобработку и режим сегментации как факторы качества распознавания. Не выбирайте преобразование только по красивому виду: сильное удаление шума способно стереть точку в сумме или тонкую линию таблицы. Сохраните оригинал и версию обработки, чтобы ошибка была воспроизводима. Для vision проверьте поддерживаемый способ передачи страниц и реальные ограничения выбранного метода. Возможность загрузить файл в интерфейс не доказывает, что модель прочитала его полностью.
3. Сохраните структуру и происхождение
Требуйте связи результата с номером страницы и исходным фрагментом. При извлечении таблицы проверяйте заголовки столбцов, порядок строк, единицы и объединённые ячейки. Отдельно проверяйте пустое поле: его нельзя заполнять правдоподобным значением из соседней строки. Для многостраничной таблицы задайте правило продолжения заголовков. Если результат предназначен для последующей обработки, определите схему и допустимые значения заранее. Валидный JSON подтверждает форму ответа, но не правильность распознанной даты или суммы; сверка с оригиналом остаётся отдельным этапом приёмки.
4. Сравните методы на одних страницах
Подготовьте небольшой размеченный набор: обычный текст, две колонки, повёрнутый скан, таблица и плохо читаемый участок. Для каждого метода оцените пропуски, ошибки символов и разрушенные связи между полями. Смотрите также время и объём обработки, не приписывая универсальное преимущество одному подходу. Когда основание неразборчиво, результат должен сохранять неопределённость и направлять страницу на ручную проверку. Убедительный пересказ без точного значения не подходит для переноса реквизитов. Опубликованные чужие примеры могут помочь выбрать кандидата, но не заменяют ваш проверочный документ.
5. Разделите извлечение и действие
До переноса результата в учётную систему проверьте обязательные поля, формат и согласованность с источником. Дайте оператору возможность открыть нужную страницу. Для закрытых документов уточните условия передачи, хранения и удаления у всех компонентов. В Tokenmost сверяйте опубликованные возможности модели и API: руководство не обещает OCR endpoint или обработку любого PDF. Начать подготовку можно без платных вызовов — проверить текстовый слой, разметить страницы и составить критерии приёмки. Автоматическую запись финансовых или юридически значимых данных допускайте только по правилам вашего процесса.
Частые вопросы
Нужен ли OCR каждому PDF?
Нет. Сначала проверьте текстовый слой и порядок извлечения. OCR нужен для изображений текста либо как отдельный проверяемый вариант для проблемных страниц.
Vision всегда лучше обычного OCR?
Нет. Сравните методы на ваших сканах и нужных полях. Понимание визуального контекста не гарантирует точность символов и чисел.
Почему JSON прошёл проверку, а сумма неверна?
Схема проверяет структуру и типы. Число может быть распознано неправильно и всё равно соответствовать типу; нужна сверка с исходной строкой.
Что делать с нечитаемым полем?
Сохранить пустое значение или явный статус сомнения согласно схеме и передать на проверку. Не восстанавливать реквизиты догадкой модели.