pypdf не может извлечь текст из отсканированного документа. Изменением параметров это не решить.

– Текстовый слой двухслойного PDF-файла может быть неполным или не совпадать с изображением, поэтому его необходимо просмотреть вручную или вторично проверить.

Код в этой статье основан на демонстрации синтетического образца и не является гарантией всех реальных файлов или эффектов продукта.

Когда pypdf не может извлечь текст, проблема обычно не в параметрах. Он читает текстовые объекты в формате PDF. Если страница по сути представляет собой изображение, настройка параметров не позволяет считывать несуществующие символы. Эта статья написана для разработчиков и специалистов по работе с документами, которым необходимо обрабатывать PDF-файлы в пакетном режиме и сталкиваться с тем, что «слова есть, но извлечение пусто». После прочтения вы можете использовать программу, чтобы постранично определить, существует ли текстовый слой и действителен ли он, и решить, использовать ли его напрямую, ввести OCR или передать на просмотр вручную.

Все приведенные ниже примеры продемонстрированы с использованием синтетических образцов. Код прошел выборочную проверку в изолированной среде, но это не является гарантией работоспособности всех реальных файлов или продукта. Перед обработкой важных документов, пожалуйста, сохраните оригиналы и просмотрите их по границам и пунктам приема в тексте.

Не можете извлечь текст из pypdf? Вывод в одно предложение

Короткий или пустой текст является лишь сигналом к дальнейшей проверке и не является прямым эквивалентом сканирования. Извлечение текста из pypdf не является OCR. Вам необходимо определить фактическое положение текстового слоя страница за страницей, прежде чем принимать решение о последующем методе обработки.

твоя ситуация	Рекомендуемые практики	причина
Извлеченный текст короче	Сохраняйте текст первым и не применяйте принудительное распознавание текста, поскольку его значение меньше порогового значения.	Короткий текст – это всего лишь сигнал к дальнейшей проверке
Результат извлечения пуст	Проверьте изображение страницы и тип контента, не судите напрямую, что это отсканированная копия.	Пустой текст не эквивалентен сканам
Визуально страница содержит слова, но результаты извлечения представляют собой пустые или искаженные символы.	Переключиться на процесс OCR	pypdf читает текстовый объект, в изображении нет читаемой кодировки символов
Текстовый слой двухслойного PDF-файла неполный или не совпадает с изображением.	Включите в очередь проверки вручную или выполните визуальное сравнение.	Текстовый слой может покрывать только часть контента, а код можно отклонить, но корректность семантики не может быть гарантирована.
Ошибка в процессе синтаксического анализа	Запись аномальной стадии	Не следует притворяться пустой страницей

Техническое различие между анализом текста и распознаванием изображений

Когда многие люди сталкиваются с ошибкой извлечения, их первой реакцией является проверка отсутствия extraction_mode="layout" или необходимости указания угла поворота. Но в большинстве инженерных сценариев это скорее несоответствие в выборе инструмента, чем проблема с параметрами. pypdf — это, по сути, анализатор потока содержимого PDF, который считывает инструкции текстового объекта, встроенные в файл. Если PDF по сути является картинкой (сканом), то как бы ни был настроен режим извлечения, символы не могут быть прочитаны из воздуха.

Чтобы понять это, мы должны сначала осознать первоначальный замысел PDF. PDF предназначен для точной печати и визуального представления, а не для структурированного хранения данных. Цифровой собственный PDF-файл содержит ресурсы шрифтов, карты кодирования и абсолютно позиционированные инструкции по рисованию текста. pypdf восстанавливает текст, анализируя эти инструкции. Преимуществом этого механизма является детерминизм: он не путает похожие слова (например, 0 и O), может сохранять специальные символы и лигатуры и не подвержен влиянию шума изображения.

Почему я не могу извлечь отсканированный PDF-файл?

Отсканированные PDF-файлы — это просто контейнеры для изображений. Визуально видимый текст представляет собой просто матрицу пикселей в структуре файла, и extract_text() не может прочитать текстовый объект.

Почему результат двухслойного PDF-файла нестабильен?

Некоторые отсканированные документы обрабатываются с помощью программного обеспечения OCR и имеют встроенный скрытый текстовый слой, известный как «двухслойный PDF-файл». pypdf может извлекать только этот уровень контента. Если исходное качество распознавания низкое, текстовый слой отсутствует, кодировка повреждена или сильно не совпадает с изображением, результаты извлечения будут неполными или даже совершенно пустыми. В настоящее время нет смысла продолжать отладку параметров pypdf, и вам следует переключиться на процесс оптического распознавания символов (OCR).

Основанием для принятия решения не должно быть определение наличия слов на странице невооруженным глазом, а следует использовать программу для определения фактического существования и достоверности текстового слоя.

📊 Сравнение ядра

Тип файла	Можно ли извлечь pypdf напрямую?	Основа решения	Последующая обработка
Цифровой PDF-файл	Да, можешь	Разбор шрифтов, кодирование, отображение и команды рисования текста	Прямое использование результатов экстракции
Простая отсканированная PDF-версия	Нет	Только пиксели, никаких текстовых объектов	Вступает процесс OCR
Двухслойный PDF	Можно извлечь только скрытый текстовый слой	Текстовые слои могут отсутствовать, быть повреждены или смещённы	Проверяйте полноту и при необходимости самостоятельно проверяйте или визуально сравнивайте

Пример синтеза: Валидация логики обнаружения с помощью тестовой базы

Чтобы показать, как программно различать вышеуказанные ситуации, сначала необходимо построить набор стандартизированных входных данных синтеза. Следующий код является только логической демонстрацией и должен выполняться в среде самоблокировки зависимостей; это не тестовый отчёт для конкретных производственных файлов. Пожалуйста, подготовьте тестовые данные с помощью следующих методов:

Обычные номера PDF: Экспорт документов с текстом «Счет #2024-001» в Word или LaTeX.
Pure Scan PDF: Отсканируйте бумажный документ в JPEG, затем инкапсулируйте его в одностраничный PDF, убедившись, что текстовые слои не включены.
Пример граничного случая: Создайте «псевдо-OCR» PDF с текстовым слоем, состоящим из пустых строк или всех пробелов, имитируя двухслойный документ, который его не распознаёт.

Код проверки удобства использования текстового слоя

Следующий пример на Python демонстрирует, как построить логику обнаружения в памяти. Код зависит от pypdf>=3.0.0. Пожалуйста, установите соответствующую версию в отдельной виртуальной среде. Скрипт не содержит реального пути к файлу. Пожалуйста, замените заполнительный путь на упомянутый синтетический тестовый файл перед запуском.

from io import BytesIO
import pymupdf
from pypdf import PdfReader
with pymupdf.open() as doc:
    page = doc.new_page()
    page.insert_text((50, 50), "Hi")
    doc.new_page()
    raw = doc.tobytes()
reader = PdfReader(BytesIO(raw))
records = []
for index, page in enumerate(reader.pages):
    text = page.extract_text() or ""
    records.append({"page": index + 1, "text": text,
                    "status": "text_present" if text.strip() else "review_empty_text"})
assert len(records) == 2
assert records[0]["status"] == "text_present"
assert records[0]["text"].strip() == "Hi"
assert records[1]["status"] == "review_empty_text"

Решение о принятии и границы ручной проверки

Демонстрации кода решают только бинарное суждение о том, есть ли текстовый слой», и для этого исходный эффект требует учёта большего количества реальных факторов. В таблице ниже приведены распространённые наблюдения и соответствующие решения по обработке, проясняющие сферу автоматизационных процессов и точки ручного вмешательства:

Наблюдение	Что нужно делать	и не должен быть осуждён
Краткий текст	Текст всё ещё сохранился	OCR не навязывается только потому, что порог ниже
Пустой текст	Проверьте изображения страниц и типы контента	Он не классифицируется напрямую как сканирование
Парсинг не удался	Фиксируйте аномальные стадии	Не маскируйте это под чистую страницу

Особое внимание следует уделять тому, что если документ содержит как необязательные текстовые слои, так и слои изображений, целостность текстового слоя нельзя просто так доверять. Некоторые сканеры генерируют двухслойные PDF-файлы, при этом текстовый слой охватывает лишь часть содержимого или координаты сильно смещены с изображением. Такие случаи следует включать в очереди ручного рассмотрения или повторно проверять с помощью визуальных алгоритмов сравнения.

Ссылки

Официальный документ для извлечения текста на pypdf: Extract Text from a PDF
объяснение в pypdf разницы между OCR и извлечением текста: то же, что и в разделе вышеуказанного документа «OCR vs. Text Extraction»

Используйте контрольные списки для перевода документов

Разделение документов, шифрование или обработка вложений — это подготовительные задачи перед доставкой; перевод не может заменить эти проверки. Рекомендуется сначала сохранить оригинал и чек-лист обработки, затем оценить порядок страниц, ссылки и полноту содержания перевода.

OmniDoc (запись продукта) предоставляет многоформатные порталы для перевода документов, а на её официальном сайте представлены OCR, глоссарии и билингвальные справочные функции. Если хотите начать напрямую с файла, можно оценить этот путь с помощью реальных образцов. Пожалуйста, используйте анонимный файл, который вы разрешили загрузить, и проверьте результаты с помощью чек-листа в этой статье. В этой статье не утверждается, что OmniDoc использует открытые библиотеки или внутренние алгоритмы, упомянутые здесь, и примеры не могут заменить тестирование производительности продукта.

🎯 Какой способ тебе подходит?

Если ты ......

PDF, который вы получаете, может выбрать текст: В большинстве случаев вы можете извлечь его напрямую с помощью pypdf и сохранить текстовые результаты.
Извлеченные результаты очень короткие или пустые: Сначала проверьте изображение страницы и тип содержимого, затем решите, нужен ли OCR; не делайте поспешных выводов.
Текст на странице виден, но не может быть извлечен: Переключитесь на процесс OCR без повторной настройки параметров.
Обработка двухслойных PDF: проверьте, полен ли текстовый слой и выровнен ли с изображениями; если сомневаетесь, обратитесь к ручному рассмотрению.

❓ Часто задаваемые вопросы (FAQ)

1. Если вы не можете извлечь текст, значит ли это, что это всегда сканирование?

Не обязательно. Короткий или пустой текст — это просто сигнал для дальнейшего изучения; перед принятием решения нужно проверить изображение страницы и тип контента.

2. Может ли настройка `extraction_mode` решить проблему извлечения отсканированных файлов?

Нет. pypdf читает текстовые объекты, а отсканированное изображение не имеет читаемого кодирования символов, поэтому корректировка параметров не может создавать текст из ниоткуда.

3. Может ли pypdf заменить OCR?

Нет. Извлечение текста в Pypdf не является OCR; он может читать только текстовые объекты, которые уже существуют в файле.

4. Можно ли напрямую доверять текстовому слою двухслойного PDF?

Им нельзя доверять напрямую. Текстовый слой может охватывать только часть содержимого или быть несогласован с координатами изображения, поэтому для вторичной проверки следует использовать ручной просмотр или визуальное сравнение.

5. Извлечённого текста очень мало, стоит ли делать OCR немедленно?

Из-за этого нет необходимости принудительно использовать OCR. В оригинальном тексте рекомендуется сначала сохранить короткий текст, а затем рассмотреть другие контрольные точки.

📝 Краткое содержание

Если не получается получить текст в pypdf, не спешите с настройками параметров. Оцените реальную ситуацию на уровне текста страница за страницей, затем решите, использовать ли его напрямую, ввести OCR или перейти к ручному просмотру — это даст более надёжные результаты.

Опыт сейчас: загрузите документ, чтобы начать перевод, сохраняя оригинальное форматирование