Преобразование отсканированных PDF в PDF с возможностью поиска с помощью Python⁠⁠

Отсканированные PDF-файлы по сути представляют собой изображения, помещённые в контейнер PDF. Это означает, что вы можете их просматривать — но не можете искать текст, копировать его или извлекать данные. Если вы когда-либо пытались скопировать содержимое из отсканированного счёта или документа и у вас ничего не получилось, значит, вы столкнулись именно с этим ограничением.

Решение? OCR (оптическое распознавание символов) .

В этом руководстве вы узнаете, как преобразовать отсканированные PDF-файлы в полностью searchable PDF с помощью Python. Мы рассмотрим установку, зависимости, настройку языков и приведём чистый, готовый к использованию пример кода.

Что потребуется

Для выполнения OCR над PDF в Python мы будем использовать два основных компонента:

1. ocrmypdf (Python-библиотека)

Мощная оболочка, объединяющая OCR и обработку PDF в одной команде.

2. OCR-движок Tesseract

Основной OCR-движок, который использует ocrmypdf.

Установка

Шаг 1: Установка ocrmypdf

pip install ocrmypdf

Шаг 2: Установка Tesseract OCR

Windows

Скачайте и установите из официального репозитория Tesseract.

Во время установки обязательно обратите внимание на следующие параметры :

• Additional language data (download)

• Additional script data (download)

Если вы не отметите эти пункты , по умолчанию будет установлен только английский языковой модуль .

Это одна из самых распространённых ошибок — позже пользователи пытаются запускать OCR для китайского или японского языка и получают ошибки, потому что языковые данные просто не установлены.

macOS (Homebrew)

brew install tesseract

Linux (Ubuntu/Debian)

sudo apt install tesseract-ocr

Настройка Tessdata (важно)

Tesseract должен знать, где расположены файлы языковых данных (.traineddata).

В Windows обычно необходимо вручную задать переменную окружения:

os.environ["TESSDATA_PREFIX"] = r"C:\Program Files\Tesseract-OCR\tessdata"

Если путь указан неверно или отсутствует, OCR завершится ошибкой, связанной с языковыми файлами.

Поддерживаемые языки и использование Enum

Чтобы сделать выбор языка безопаснее и удобнее для разработчиков, в коде используется Enum:

class OcrLanguage(Enum):

"""Поддерживаемые OCR-языки с использованием кодов ISO 639-2."""

ENGLISH = "eng"

SIMPLIFIED_CHINESE = "chi_sim"

TRADITIONAL_CHINESE = "chi_tra"

CHINESE_ENGLISH = "chi_sim+eng"

JAPANESE = "jpn"

KOREAN = "kor"

Зачем использовать Enum?

• Исключает опечатки вроде "engg" или "chn"

• Поддерживает автодополнение в IDE

• Делает код более понятным и самодокументируемым

Как добавить новые языки

Вы можете легко расширить enum OcrLanguage.

Шаг 1: Установите языковые данные

Убедитесь, что соответствующий файл .traineddata находится в папке tessdata.

Примеры:

• fra.traineddata → французский

• deu.traineddata → немецкий

• spa.traineddata → испанский

Шаг 2: Расширьте Enum

class OcrLanguage(Enum):

ENGLISH = "eng"

FRENCH = "fra"

GERMAN = "deu"

SPANISH = "spa"

Шаг 3: Используйте язык

language=OcrLanguage.FRENCH

OCR для нескольких языков

Можно комбинировать несколько языков:

CHINESE_ENGLISH = "chi_sim+eng"

Это особенно полезно для:

• двуязычных документов

• счетов с несколькими языками

• научных статей

Полный пример кода

Ниже приведён полностью рабочий скрипт:

import ocrmypdf

from enum import Enum

import os

# ==============================================

# Указываем каталог данных Tesseract (только Windows)

# ==============================================

os.environ["TESSDATA_PREFIX"] = r"C:\Program Files\Tesseract-OCR\tessdata"

# ==============================================

# Enum языков OCR (без опечаток, удобно выбирать)

# ==============================================

class OcrLanguage(Enum):

"""Поддерживаемые OCR-языки с использованием кодов ISO 639-2."""

ENGLISH = "eng"

SIMPLIFIED_CHINESE = "chi_sim"

TRADITIONAL_CHINESE = "chi_tra"

CHINESE_ENGLISH = "chi_sim+eng"

JAPANESE = "jpn"

KOREAN = "kor"

# ==============================================

# Основная функция конвертации

# ==============================================

def convert_scanned_pdf_to_searchable(

input_pdf_path: str,

output_pdf_path: str,

language: OcrLanguage

):

"""

Преобразует PDF на основе изображений (сканированный PDF)

в PDF с возможностью поиска с помощью OCR.

Args:

input_pdf_path: Путь к исходному сканированному PDF

output_pdf_path: Путь для сохранения searchable PDF

language: OCR-язык, выбранный из enum OcrLanguage

"""

try:

# Выполняем OCR и создаём оптимизированный searchable PDF

ocrmypdf.ocr(

input_file=input_pdf_path,

output_file=output_pdf_path,

language=language.value,

optimize=1,

force_ocr=True

)

print(f"✅ Готово! PDF с поиском сохранён в: {output_pdf_path}")

except Exception as error:

print(f"❌ Ошибка при конвертации: {str(error)}")

# ==============================================

# Запуск конвертера

# ==============================================

if __name__ == "__main__":

# Укажите пути к файлам

INPUT_FILE = "ScannedPDF.pdf"

OUTPUT_FILE = "searchable.pdf"

# Выбор языка через Enum (безопасно и удобно)

convert_scanned_pdf_to_searchable(

input_pdf_path=INPUT_FILE,

output_pdf_path=OUTPUT_FILE,

language=OcrLanguage.ENGLISH

)

Результат:

Объяснение ключевых параметров

• language → определяет язык(и) OCR

• optimize=1 → уменьшает размер файла без потери качества

• force_ocr=True → принудительно запускает OCR, даже если текст уже обнаружен

Распространённые ошибки

1. Отсутствуют языковые данные

Если вы видите ошибку вида:

Error opening data file...

→ Скорее всего, не установлен языковой пакет.

2. Неверный путь Tessdata

Проверьте переменную:

TESSDATA_PREFIX

3. Низкая точность OCR

Качество OCR сильно зависит от:

• разрешения изображения (рекомендуется 300 DPI)

• шумов и размытия

• чёткости шрифта

Полезные советы

Повышение точности OCR

• Выполняйте предварительную обработку PDF (выравнивание, удаление шумов)

• Перед OCR переводите изображения в оттенки серого

• Используйте корректный DPI

Пакетная обработка

Оберните функцию в цикл:

for file in os.listdir("input_folder"):

if file.endswith(".pdf"):

convert_scanned_pdf_to_searchable(...)

Сохранение исходного внешнего вида

ocrmypdf добавляет скрытый текстовый слой без изменения визуальной структуры документа , поэтому внешний вид исходного PDF полностью сохраняется.

Заключение

Всего несколькими строками Python-кода вы можете превратить бесполезные отсканированные PDF-файлы в полностью searchable, копируемые и индексируемые документы.

Комбинация:

• ocrmypdf

• Tesseract

• структурированного управления языками через Enum

…позволяет создать надёжный и масштабируемый OCR-конвейер, подходящий как для личного использования, так и для корпоративных задач.

Если вам приходится работать с большими объёмами сканированных файлов, этот подход способен сэкономить часы ручной работы — и мгновенно открыть доступ к вашим данным.