OCR-распознавание документов
Скан с печатью — это картинка, а не текст. Без OCR анализ не увидит ни штраф, ни срок. Распознавание вытаскивает строки из PDF-сканов и фото, сохраняет структуру страниц и отдаёт текст дальше в проверку договора.
Цепочка: файл → текст → отчёт
- Загрузка. Скан PDF, JPG, PNG или смешанный пакет; текстовый DOCX OCR не требует.
- Предобработка. Выравнивание страницы, попытка починить ориентацию, очистка шума.
- Распознавание. Извлечение текста блоками: абзацы, заголовки, таблицы где удаётся.
- Передача в анализ. Тот же конвейер рисков и чек-листа, что у «родного» текста.
- Контроль сомнений. Фрагменты с низкой уверенностью стоит сверить глазами перед подписью.
Что распознаётся устойчиво, а что нет
| Исходник | Ожидание | Риск ошибки |
|---|---|---|
| Скан ≥ 200 dpi, ровно | Высокая читаемость | Низкий — мелкий кегль в сносках |
| Фото с телефона | Рабочий текст при хорошем свете | Блики, перспектива, обрезанные края |
| Таблицы спецификаций | Часто восстанавливаются | Слипшиеся столбцы, рукописные правки |
| Печати / штампы поверх текста | Текст рядом часто читается | Цифры под печатью — проверять вручную |
| Рукописные пометки | Базовый захват | Не считать юридически достоверным без сверки |
Лимиты качества
- «99%» на маркетинговых слайдах относится к чистым сканам; мятый договор из архива даст пропуски и замены букв (0/O, 3/З).
- Многостраничные PDF обрабатываются целиком; битые страницы в середине портят только свой фрагмент, но анализ может «не увидеть» целый раздел.
- OCR не заменяет нотариальное заверение и не доказывает подлинность подписи — только даёт текст для проверки условий.
- После пакетного OCR смотрите хвост очереди: сканы дольше текстовых PDF (см. пакетную обработку).
Когда без OCR не обойтись
Включайте сценарий со сканами, если договор пришёл с ЭДО как image-PDF, скан с печати контрагента или архивная копия без текстового слоя. Нативный DOCX/текстовый PDF грузите как есть — лишний OCR только тратит время и квоту.
Чек-лист перед распознаванием
| № | Что проверить | Где / контекст | Критерий «ОК» | Типичная ошибка |
|---|---|---|---|---|
| 1 | Читаемость глазами | Превью файла | Строки различимы без угадывания | Тёмный снимок вечерним светом |
| 2 | Полнота страниц | Конец файла | Есть последняя страница с реквизитами | Обрезали подпись при скане |
| 3 | Ориентация | Альбомные приложения | Страницы не «лёжа» | Спецификация повёрнута на 90° |
| 4 | Сверка сумм | После OCR | Цифры цены совпадают с бумагой | Поверили score без проверки цифр |
| 5 | Критичные оговорки | Ответственность / срок | Юрист глазами сверил 2–3 абзаца | Подпись по одному отчёту OCR |
Порядок использования
- Отсканируйте или сфотографируйте документ так, чтобы текст читался без зума «в упор».
- Загрузите файл; дождитесь статуса распознавания, затем анализа.
- Сверьте суммы, даты и реквизиты с бумагой или исходным сканом.
- Разберите риски в отчёте; сомнительные фрагменты OCR пометьте в комментарии команде.
Пример из практики
Договор с печати → замечания за день
Без OCR. Секретарь перепечатывала ключевые пункты вручную; в ответственность попала опечатка «0,1%» вместо «0,01%» в сутки — спор на миллионы.
С OCR. Скан ушёл в AIARM, юрист сверил цифры пени с бумагой (чек-лист выше), остальной текст разобрали по отчёту. Для архива из десятков сканов — пакет; выгрузка таблиц спецификаций — через экспорт.
Частые вопросы
Нужен ли OCR для обычного DOCX?
Нет. Текстовый слой уже есть. OCR нужен, когда файл — изображение или PDF без текста (часто так отдают подписанные сканы).
Почему анализ «не видит» пункт на странице 17?
Чаще всего страница криво отсканирована, перекрыта печатью или имеет слишком мелкий шрифт. Откройте превью распознанного текста по этой странице; при пустоте — пересканируйте лист и перезапустите только этот файл.
Можно ли доверять цифрам из таблицы спецификации?
Только после выборочной сверки с оригиналом. OCR путает похожие символы; для цены, объёма и НДС ручная проверка обязательна перед оплатой.
OCR работает в пакетной загрузке?
Да: сканы встают в ту же очередь, что и текстовые файлы, но дольше. Планируйте дедлайн с запасом на хвост OCR или сначала прогоните «чистые» PDF.
Прогоните один скан до отчёта
Загрузите подписанный image-PDF и сверьте суммы с бумагой — так команда поймёт, где OCR достаточно, а где нужна рука юриста.