Распознавание сканов PDF

Чат-приложение достаёт текст из сканов и фотографий документов, сохранённых в PDF. Штатное извлечение текста на таком файле возвращает пустоту или обрывок колонтитула, а модель с распознаванием изображений PDF не принимает вовсе, поэтому текст здесь распознаёт MinerU с русским языком. Решение пригодится делопроизводству, бухгалтерии и юристам, к которым первичка и подписанные договоры приходят сканами.

Что на входе

• Скан или фотография документа в PDF, приложенные к сообщению в чате.
• Формы запуска нет: достаточно приложить файл и отправить сообщение.
• Настройки загрузки разрешают до трёх файлов на сообщение, но распознавание рассчитано на один файл за раз (см. «Ограничения»).

Что на выходе

• Ответ в чате: распознанный текст в разметке Markdown — с заголовками, таблицами и формулами, если они есть в документе.

Как работает

1. Пользователь прикладывает файл к сообщению.
2. MinerU распознаёт страницы как изображения, язык распознавания — кириллица. При языке по умолчанию русский текст превращается в набор латиницы и иероглифов, причём без всякой ошибки — поэтому язык задан явно.
3. Включено распознавание таблиц и формул: иначе таблица акта или счёта схлопывается в поток чисел.
4. Текст выводится в ответ как есть, без обработки языковой моделью.

Что настроить после установки

• Плагин MinerU (langgenius/mineru). Это выгрузка с площадки, где плагин уже стоял, поэтому в списке зависимостей его нет: на новой площадке плагин ставят из маркетплейса вручную.
• Авторизация MinerU: Инструменты → MinerU → Авторизация — адрес сервиса, токен и тип сервера. Без неё распознавание не запустится.
• Выход в интернет нужен, если используется официальный сервис MinerU. При собственном развёртывании MinerU в настройках шага распознавания заполняют адрес сервера.
• Модель, базы знаний и секреты не нужны.

Ограничения

• Документ больше 15 МБ площадка отклоняет ещё при загрузке; настройкой приложения этот предел не поднять. Толстый многостраничный скан в него может не уложиться.
• Рассчитывайте на один файл за запуск: шаг распознавания принимает одиночный файл, разбор нескольких вложений пачкой не гарантирован.
• Каждый PDF, даже с текстовым слоем, идёт через распознавание — это дольше и дороже штатного извлечения. Для смешанного потока документов подходит решение «Приём нескольких файлов»: там MinerU вызывается только для сканов.
• Качество распознавания по замеру MinerU с теми же настройками на тестовом наборе 23.09.2026:
  • скан обычного качества — 5 из 7 реквизитов; кириллица путается с латиницей («AKT» вместо «АКТ», «О00» вместо «ООО»), номера и названия организаций нужно сверять;
  • многостраничный скан договора — 9 из 10 реквизитов;
  • скан, повёрнутый на 90°, и скан плохого качества (75 dpi, шум) — 0 из 7, причём без ошибки: пользователь получит мусор или пустой ответ.
• Отдельные фотографии JPG и PNG MinerU тоже принимает, но правило проекта закрепляет его только за сканами PDF. В том же замере модель с распознаванием изображений прочитала фото документа на 7 из 7 реквизитов — лучше MinerU.

Проверено

• Это выгрузка рабочего приложения распознавания с площадки (MinerU 0.5.0), а не конфигурация, собранная генератором. Схема шага распознавания и значения параметров сверены с ней в справочнике проекта.
• Записей о проверочных прогонах именно этого приложения — с датой и числом запусков — в источниках нет.
• Сам MinerU с теми же параметрами замерен на стенде 23.09.2026 в составе схемы «Приём нескольких файлов»; результаты приведены в «Ограничениях».