Зачем проверять PDF перед OCR? Экономия ~80% затрат на OCR в год

1. Зачем определять PDF до OCR

PDF OCR обычно тарифицируется за страницу — AWS Textract, Google Document AI, Azure Document Intelligence, ABBYY, управляемый PaddleOCR и др. стоят от $0,0015 до $0,05+ за страницу. Подвох: PDF — не один формат. Один и тот же «счёт.pdf» может быть:

• нативным текстовым PDF из ERP (pdftotext мгновенно отдаёт весь текст);
• Word в PDF с встроенными шрифтами;
• чистым растровым сканом (OCR обязателен);
• гибридом: обложка — скан, дальше — текст.

Запускать OCR на страницах с готовым текстовым слоем — платить за повторное «чтение пикселей», часто с худшей точностью, чем при прямом извлечении. В финансах, юриспруденции и страховании постраничный pre-flight + маршрутизация рутинно сокращают объём облачного OCR вдвое; в корпусах с высокой долей нативного текста (выписки, электронные договоры, госдокументы) реалистична годовая экономия OCR Cost 70–80 %.

2. Сколько стоит одна страница

Статья	Типичная цена 2026	Примечания
Базовый OCR (только текст)	$0,0015–0,003/стр.	Без таблиц/форм
OCR таблиц / форм	$0,01–0,05/стр.	Структурированный тариф Document AI
Рукопись / плохие сканы	надбавка 1,5–3×	Может понадобиться ручная QA
Свой GPU (амортизация)	≈$0,0003–0,001/стр.	Зависит от загрузки

Пример: 2 млн стр./мес. по $0,008/стр. ≈ $192 000/год. Если pre-flight покажет, что 75 % страниц можно извлечь текстом (почти нулевая маржинальная стоимость), а OCR нужен лишь 25 %, расходы на OCR падают до ~$48 000 — около 75 % экономии; меньше ошибок OCR и переделок часто дают ощущение 80 %.

Сравните тарифы: цены Google Document AI и цены AWS Textract. Если вы уже маршрутизируете LLM для снижения счёта API, документам нужна та же дисциплина — см. наш чеклист миграции OmniRoute.

3. Три типа PDF

Тип	Признаки	Маршрут	Относительная стоимость
A. Нативный текст	Есть шрифты; pdftotext выше порога	Извлечение + нормализация кодировки	≈0
B. Гибрид	Часть страниц — текст, часть — скан	Постраничная маршрутизация	Средняя
C. Плоский скан	Нет шрифтов; bitmap на всю страницу	OCR (+ выравнивание/шумоподавление)	Высокая

На гибридах команды чаще всего ошибаются: в PDF M&A на 200 страниц OCR может понадобиться только для сканированных приложений. Постраничное определение отделяет настоящую оптимизацию PDF OCR от угадывания по файлу. Руководство Adobe по шрифтам PDF объясняет встроенный текст vs скан-слой.

4. Пятиступенчатый pre-flight

1. Структурный зонд: число страниц, шифрование, повреждения — чинить до платного OCR.
2. Зонд текстового слоя: символы и объекты шрифтов на странице; при пороге и низкой доле «мусора» — TEXT_OK.
3. Покрытие изображением: крупный bitmap + пустой текст → SCAN.
4. Оценка качества: DPI, контраст, наклон — предобработка до OCR, чтобы не платить за повторы.
5. Маршрут: TEXT_OK → локальное извлечение; SCAN → очередь OCR; HYBRID → разбивка страниц.

Экспортируйте метрики: preflight_text_ratio, ocr_pages_ratio, ocr_retry_rate. Ежемесячный разбор эффективнее, чем торговаться только о цене за страницу.

5. Open source vs облако

Этап	Локально / OSS	Облачный API
Pre-flight / извлечение	PyMuPDF, poppler, qpdf	Обычно не нужен
OCR-движок	Tesseract, PaddleOCR, Surya	Document AI, Textract, Azure DI
Таблицы	pdfplumber, camelot для нативных PDF	Облачные режимы форм/таблиц

Выигрышная схема OCR Optimization: локальный pre-flight, облачный OCR только для страниц SCAN.

6. Пример маршрутизации на Python

import fitz  # PyMuPDF
MIN_CHARS = 30

def page_classify(page) -> str:
    text = page.get_text("text").strip()
    if len(text) >= MIN_CHARS:
        return "TEXT_OK"
    if page.get_images(full=True) and len(text) < MIN_CHARS:
        return "SCAN"
    return "HYBRID"

Добавьте таймауты, обработку шифрования и метаданные для поиска. Pre-flight воркерам нужен стабильный CPU — пакетные задачи похожи на CI; выделенные узлы лучше шумного shared VPS.

7. Кейс: ~80 % экономии

Трансграничный логистический SaaS обрабатывал 8 000 PDF/день (~32 000 стр.). Полный Document AI OCR по $0,006/стр. ≈ $5 760/мес. После постраничного pre-flight в OCR попало только 22 % страниц — ~$1 270/мес. (~78 % сэкономлено, compute pre-flight < $200).

Этап	Действие	Доля OCR-страниц	Месячный OCR
До	Полный облачный OCR	100 %	~$5 760
После	Pre-flight + локальное извлечение	22 %	~$1 270
Экономия	—	—	~78 %

Дополнительно: точность нативных ID-полей с ~96 % (OCR) до почти 100 %; тикеты поддержки из-за неверных трек-номеров −40 % и более.

8. Чеклист оптимизации OCR

• ☐ Дашборд: извлечённые / OCR / повторные страницы
• ☐ Маршрутизация по страницам — не одна стратегия на файл
• ☐ Контроль качества сканов до OCR
• ☐ Нативные таблицы через pdfplumber, не фото-OCR
• ☐ Бенчмарки движков по языкам
• ☐ Еженедельная выборочная проверка 0,1 % страниц TEXT_OK
• ☐ Алерт при росте вызовов OCR +30 % день к дню (та же FinOps-дисциплина, что и многоуровневая маршрутизация API)

9. FAQ

Pre-flight медленнее OCR?

Текстовые зонды на страницу — миллисекунды, намного меньше RTT облачного OCR. Параллелизуйте IO-bound пакеты.

А ложные текстовые слои?

У некоторых сканов — плохой невидимый OCR-текст. Смотрите долю мусора и перекрытие с изображением; подозрительные страницы понижайте до SCAN.

Зашифрованные PDF?

Решайте пароли на pre-flight; не гоняйте ошибки расшифровки в платный OCR снова и снова.

80 % — для всех?

Зависит от доли нативного текста. Чистые скан-архивы: 10–20 %; э-счета и договоры: 70–85 %. Сначала выборка 1 %.

Заменить облачный OCR на Tesseract?

Для простых макетов в массе — да; сложные таблицы и рукопись — облако или спецмодели.

Связь с «чтением PDF» LLM?

Мультимодальные модели тарифицируют токены за чтение PDF — сначала извлеките чистый текст/JSON. Та же FinOps-логика, что и пред-OCR проверка.

Читать дальше

• Рейтинг самых дешёвых AI API 2026 →
• Расчёт стоимости Gemini API →
• Разбор счёта в эпоху агентов →