OCR (оптическое распознавание символов)

OCR — это задача распознавания, а не парсинга, поэтому она вероятностна, в отличие от остальной части конвейера обработки документов. Точность зависит от разрешения сканирования, контраста, наклона, языка, шрифта и сложности макета. Чистый печатный текст 300 DPI почти решён. Факс‑копия рукописной формы — нет.

Эта изменчивость имеет практические последствия, которые люди недооценивают: вывод OCR — это доказательство того, что страница, вероятно, говорит, а не точная транскрипция. Поиск по архивам с OCR следует рассматривать как средство повышения полноты, а не как гарантию, и любые юридически значимые сведения следует проверять по отрендеренной странице.

OCR также требует заметно больше вычислительных ресурсов, чем рендеринг, поэтому обычно это пакетная операция над архивом, а не то, что запускается при открытии файла пользователем.