Как правильно сканировать документы: разрешение, формат и размер файла
Для обычных документов достаточно 300 точек на дюйм в оттенках серого. Чёрно-белый режим экономит место, но съедает печати, подписи и бледный текст. Цвет нужен там, где цвет несёт смысл: печать, подпись, цветные пометки. Сохранять лучше в PDF с текстовым слоем, тогда документ ищется по содержимому. Разрешение выше 400 точек не улучшает распознавание, но увеличивает файл в разы.
Короткий ответ: 300 точек на дюйм, оттенки серого, PDF с текстовым слоем. Этого хватает почти для любого делового документа, и именно эти настройки дают лучшее соотношение качества и веса файла.
Разрешение: почему 300 и почему не больше
Разрешение измеряется в точках на дюйм. Чем оно выше, тем крупнее буква на снимке и тем надёжнее она читается машиной. Но зависимость не бесконечная.
| Разрешение | Когда подходит | Вес страницы |
|---|---|---|
| 150 точек | Черновики, внутренние копии | около 100 КБ |
| 300 точек | Договоры, счета, акты, справки | 300 до 500 КБ |
| 400 точек | Мелкий шрифт, плохой оригинал, факсовые копии | около 800 КБ |
| 600 точек | Чертежи, штампы, рукописный текст | от 2 МБ |
Для печатного текста разница между 300 и 600 точками на качество распознавания почти не влияет, а файл растёт в четыре раза. Смысл поднимать разрешение есть только тогда, когда высота буквы на бумаге меньше двух миллиметров или оригинал бледный.
Режим цвета: серый почти всегда лучше
Чёрно-белый режим переводит каждую точку в белую или чёрную. Файл получается маленьким, но всё, что было светлее порога, исчезает: бледная печать, подпись шариковой ручкой, карандашные пометки, водяные знаки. Восстановить это невозможно, оригинал придётся сканировать заново.
Оттенки серого сохраняют полутона и весят немного больше. Цветной режим нужен там, где цвет несёт смысл: синяя печать против чёрной копии, цветные отметки на полях, защитные элементы бланка. Для документов, где важно отличить оригинал от копии, цвет обязателен, и вот почему: наличие подписи и печати определяется именно по цвету чернил, и на чёрно-белом снимке этот признак пропадает совсем.
Формат: PDF с текстовым слоем против картинки
Есть два разных PDF, и выглядят они одинаково.
- PDF с текстовым слоем. Внутри лежит не только картинка, но и распознанный текст. Такой документ ищется по содержимому, из него копируется текст, он читается машиной мгновенно и без ошибок.
- PDF-картинка. Внутри только изображение страницы. Поиск по нему не работает, текст не выделяется, и любая программа сначала должна его распознать.
Проверить просто: откройте файл и попробуйте выделить строку мышью. Выделяется значит текстовый слой есть. Большинство сканеров умеют добавлять этот слой сами, опция обычно называется распознаваемый или searchable PDF. Включите её один раз в настройках, и архив станет искомым.
Отличия форматов и что из чего извлекается, подробнее разобраны в статье извлечение данных из PDF.
Семь ошибок, из-за которых документ приходится пересканировать
- Загнутый угол или скреплённые страницы: часть текста просто не попала в кадр.
- Сканирование через стекло с пылью: полосы поперёк страницы ложатся прямо на цифры.
- Перекос больше трёх градусов: строки уходят по диагонали, таблицы разбираются неверно.
- Чёрно-белый режим для документа с печатью: печать пропала, документ не принимают.
- Сохранение каждой страницы отдельным файлом: комплект рассыпается, порядок теряется.
- Сжатие до предела ради веса: буквы расплываются, единица становится семёркой.
- Имя файла вида scan_0001: через месяц никто не найдёт нужный документ.
Если сканера нет
Съёмка на телефон даёт приемлемый результат, если соблюсти несколько правил: равномерный свет без тени от собственной руки, документ целиком в кадре, лист параллельно камере, фокус по тексту. Подробный разбор в статье как снять документ на телефон, чтобы его прочитала машина.
Проверить, читается ли ваш скан, можно сразу: откройте распознавание онлайн и загрузите файл. Если текст распознан полностью и реквизиты извлеклись, настройки сканера выбраны верно. Документ при этом остаётся у вас, обработка идёт в браузере.
Как хранить
Отсканированное имеет смысл только тогда, когда его можно найти. Минимум: осмысленное имя файла с датой и контрагентом, единая структура папок, один документ это один файл со всеми страницами. Что делать дальше и с чего начинать перевод бумажного архива, разобрано в статье оцифровка бухгалтерского архива.
Частые вопросы
Какое разрешение нужно для распознавания текста
Триста точек на дюйм для обычного печатного текста. Для мелкого шрифта, бледных копий и факсов имеет смысл 400. Выше 600 точек поднимать бессмысленно: качество распознавания не растёт, а файл становится тяжёлым.
Почему после сканирования пропала печать
Скорее всего включён чёрно-белый режим. Он переводит все полутона в чёрное или белое, и бледная печать оказывается ниже порога. Лечится пересканированием в оттенках серого или в цвете.
В каком формате сохранять документы
PDF с текстовым слоем. Он открывается везде, хранит все страницы одного документа вместе и ищется по содержимому. JPG подходит для одиночных снимков, но комплект из него собирать неудобно.
Можно ли сканировать сразу в один файл
Да, и так правильнее. Один документ это один файл со всеми страницами по порядку. Разрозненные страницы теряются и путаются местами, особенно в многостраничных договорах с приложениями.
Что с этим делать дальше
Если документы идут потоком, проверку стоит отдать сервису. DocVision Ai читает сканы и PDF, достаёт реквизиты, сверяет документы комплекта между собой и ведёт историю дел. Первые 50 дел в месяц бесплатно, дальше от 1500 тенге за комплект. Отдельный документ можно распознать онлайн без регистрации: файл читается в браузере и на сервер не уходит.