OCR сканов ТЗ: как извлечь характеристики из PDF-картинки

Заказчик выложил техническое задание картинкой: PDF, внутри которого не текст, а фотография или скан страницы. Скопировать характеристики мышью нельзя, поиск по документу не работает, а форму 2 заполнять надо точно по тексту ТЗ. Дальше — как распознать ТЗ из скана, извлечь характеристики из PDF и проверить результат, чтобы заявку не отклонили из-за ошибки распознавания.

Почему скан ТЗ — это проблема, а не мелочь

В электронном аукционе по 44-ФЗ участник указывает в форме 2 конкретные показатели товара. Эти значения сверяют с диапазонами и требованиями из технического задания заказчика. Основание — статья 33 закона 44-ФЗ, правила описания объекта закупки: заказчик задаёт минимальные и максимальные значения, неизменяемые показатели, а поставщик отвечает точными цифрами.

Когда ТЗ — это нормальный текстовый PDF, вы копируете требования и сверяете их с паспортом товара. Когда ТЗ — картинка, текста для копирования нет. Остаётся два пути: переписывать характеристики глазами вручную или прогнать файл через распознавание.

Ручной перенос на большом лоте — это десятки позиций по 10–20 параметров. Каждая опечатка в форме 2 — потенциальное отклонение первой части заявки. «1,5 мм» вместо «15 мм», «не менее» вместо «не более», потерянная единица измерения — комиссия читает буквально.

Сканированная документация тендера опасна не самим фактом скана, а тем, что её нельзя сверить поиском. Глаз пропускает то, что Ctrl+F нашёл бы за секунду.

Как отличить скан от текстового PDF

Сначала поймите, с чем имеете дело. Не каждый PDF — картинка.

• Откройте файл и попробуйте выделить строку мышью. Выделяется текст — PDF текстовый, OCR не нужен.
• Нажмите Ctrl+F и поищите слово из документа. Находит — текст есть.
• Если выделяется весь лист одним прямоугольником, а поиск ничего не находит — перед вами скан, страница лежит внутри PDF как изображение.

Встречается смешанный вариант: часть страниц — текст, часть — вклеенные сканы (например, подписанные приложения или таблицы из старого документа). Тогда распознавать нужно только картиночные страницы.

OCR сканов ТЗ: как извлечь характеристики из PDF-картинки

OCR — оптическое распознавание символов. Программа находит на изображении буквы и цифры и превращает их в текст, который можно копировать и искать. Базовая процедура одинакова для большинства инструментов.

1. Подготовьте файл. Если скан кривой или бледный, выпрямите страницы и поднимите контраст — чище картинка, меньше ошибок распознавания.
2. Выберите язык распознавания — русский, при наличии латиницы в марках и стандартах добавьте английский.
3. Запустите OCR. На выходе получите текстовый слой поверх картинки либо отдельный текст/таблицу.
4. Выгрузите результат в удобный формат: текст для копирования в форму 2, таблицу — в Excel для построчной сверки.
5. Сохраните исходный скан рядом. Сверять распознанное всегда нужно с оригиналом, а не с памятью.

Какие инструменты подходят:

• Онлайн-OCR и офисные пакеты — быстро для одной-двух страниц. Минус: чужой сервис видит ваш файл, а закупочная документация бывает чувствительной.
• Десктопные программы распознавания — лучше держат таблицы и многостраничные документы, работают локально.
• ИИ-распознавание — современные модели читают сложные таблицы и рукописные пометки точнее классического OCR, но любой результат всё равно проверяют.

Где OCR ошибается на таблицах ТЗ

Характеристики в ТЗ почти всегда лежат в таблице: позиция, наименование, параметр, требование, единица. Именно таблицы — слабое место распознавания. Типичные ошибки:

Самое коварное — сдвиг строк. Когда OCR неверно разбивает таблицу, значение из позиции 7 встаёт напротив позиции 8. Каждая отдельная цифра распознана верно, но привязана не к тому товару. Поиском такую ошибку не поймать — только построчным сравнением с картинкой.

Отдельная боль — знаки сравнения. «Не менее» и «не более», «≥» и «≤» решают, проходит ваш товар или нет. Если разбираете требования с диапазонами и знаками, держите под рукой разбор про знаки больше и меньше в заявке — распознавание этих символов ошибается чаще всего.

Как проверить распознанные характеристики

Распознать — половина дела. Вторая половина — убедиться, что текст совпадает с оригиналом. Чек-лист проверки перед переносом в форму 2:

• Сверьте каждую строку таблицы с картинкой: позиция, параметр, значение, единица.
• Проверьте все числа отдельно — особенно с запятой и нулями.
• Проверьте знаки сравнения и диапазоны «от — до»: где «не менее», где «не более».
• Проверьте единицы измерения: мм или см, кг или г, Вт или кВт.
• Проверьте марки, ГОСТ, артикулы — там OCR путает похожие символы.
• Убедитесь, что число строк в распознанной таблице равно числу позиций в ТЗ. Разошлось — ищите сдвиг или склейку.

Дальше идёт смысловая сверка: совпадают ли распознанные требования с тем, что вы готовы поставить. Заполняя форму 2, отвечайте конкретными значениями, а не переписывайте диапазон заказчика — дублирование диапазона вместо точного показателя остаётся частой причиной отклонения. Механику разобрали в материале про заполнение формы 2 конкретными показателями.

Если в распознанном тексте требования противоречат сами себе или физически несовместимы — это повод не гадать, а отправить запрос на разъяснение документации. Иногда дело не в OCR, а в самой ТЗ.

Где здесь помогает автоматизация

Ручная сверка скана съедает время, которого перед дедлайном подачи нет. Связка «OCR + ИИ» закрывает рутину: распознаёт страницы-картинки, вытаскивает характеристики в структурированный вид и сопоставляет требования ТЗ с позицией КТРУ и с вашим товаром.

TenderScan читает документацию тендера, включая сканы, и сверяет характеристики товара с ТЗ и КТРУ автоматически — показывает, где ваш товар проходит по требованиям, а где параметр не совпадает. Как устроена сама сверка, описано в статье про ИИ-сверку характеристик товара с ТЗ и КТРУ. Автоматика снимает объём, но финальное решение и ответственность за форму 2 остаются за вами: распознанное всё равно сверяют с оригиналом скана.

Часто задаваемые вопросы

Можно ли вообще копировать характеристики из сканированного ТЗ?

Напрямую — нет, в скане нет текстового слоя. Сначала прогоните файл через OCR, получите текст, проверьте его по оригиналу, и только потом переносите значения в форму 2.

Какой OCR лучше для таблиц технического задания?

Тот, что аккуратно держит структуру таблицы и не путает строки. Классические десктопные программы распознавания и современное ИИ-распознавание справляются с таблицами лучше простых онлайн-конвертеров. Но любой результат проверяют построчно по картинке.

Что чаще всего распознаётся с ошибкой в ТЗ?

Числа с запятой, нули и буква О, знаки «≤», «≥», «±», а также объединённые ячейки таблиц. Из-за них значение либо искажается, либо уезжает к соседней позиции. Эти места проверяйте в первую очередь.

Отклонят ли заявку из-за ошибки распознавания?

Комиссия читает форму 2 буквально и сверяет показатели с ТЗ. Если из-за ошибки OCR вы указали неверное значение, риск отклонения первой части реальный. Поэтому распознанное всегда сверяют с оригиналом скана до подачи.

Что делать, если требования в распознанном ТЗ противоречат друг другу?

Не угадывать. Проверьте, не ошибка ли это OCR, сверив с картинкой. Если противоречие в самом ТЗ — направьте заказчику запрос на разъяснение документации в установленный срок до окончания подачи заявок.