OCR и извлечение данных: в чём разница и когда нужны оба подхода?

OCR и извлечение данных: краткое сравнение

Что такое OCR?

OCR — оптическое распознавание символов — преобразует текст на изображениях в символы, читаемые машиной.

В PDF, созданном в цифровом виде, обычно уже есть текстовый слой. Отсканированный PDF устроен иначе: даже если человек легко читает документ, компьютер поначалу может видеть лишь изображение этих символов.

OCR обычно применяют для:

• отсканированных счетов;
• чеков;
• договоров;
• удостоверений личности и форм;
• банковских выписок;
• сфотографированных или архивных бумажных документов.

OCR делает содержимое читаемым. Он не обязательно определяет, какая информация важна.

Что такое извлечение данных?

Извлечение данных из документов находит выбранную информацию внутри документа и преобразует её в пригодную для использования структуру.

Например, в счёте может быть несколько значений, а вашему процессу нужен только итоговый структурированный результат:

{
  "supplier_name": "Northstar Services",
  "invoice_number": "INV-2026-487",
  "invoice_date": "2026-08-12",
  "total_due": 4850,
  "payment_terms": "30 days"
}

Вместо содержимого, которое ещё нужно интерпретировать, ваш процесс получает заранее определённые значения с понятным смыслом. Затем эту информацию можно передать в ERP, CRM, электронную таблицу, базу данных или другой автоматизированный процесс.

Практический пример: OCR счёта и извлечение данных

Представьте такой счёт:

NORTHSTAR SERVICES

Invoice Number: INV-45821
Invoice Date: 12 August 2026
Due Date: 11 September 2026

Subtotal: $8,250
Tax: $1,567.50

TOTAL DUE: $9,817.50

В нём две даты и три денежные суммы.

Что видит OCR

INV-45821
12 August 2026
11 September 2026
$8,250
$1,567.50
$9,817.50

Что возвращает извлечение данных

{
  "invoice_number": "INV-45821",
  "invoice_date": "2026-08-12",
  "due_date": "2026-09-11",
  "subtotal": 8250,
  "tax": 1567.50,
  "total_due": 9817.50
}

Распознать $9,817.50 — задача OCR. Определить, что это total_due, — задача извлечения данных из счетов.

Почему это различие важно для бизнес-процессов

Разница становится существенной, когда документы питают регулярные операционные процессы. Если OCR превращает каждый счёт в текст с возможностью поиска, но кому-то всё равно приходится находить поставщика, номер счёта, срок оплаты и итог при ручной обработке документов, часть процесса остаётся ручной.

Как OCR и извлечение данных работают вместе

Для отсканированных документов OCR и извлечение данных часто являются двумя этапами одного автоматизированного процесса обработки документов.

Современные инструменты могут выполнять эти шаги в одном процессе, но по сути они решают разные задачи.

Всегда ли нужен OCR для извлечения данных?

Нет. Нужен ли OCR, зависит от исходного документа.

PDF, созданные в цифровом виде

PDF, экспортированный из бухгалтерской программы, Word или другой цифровой системы, может уже содержать машиночитаемый текст. Тогда процесс может быть таким:

Отсканированные PDF

Отсканированный PDF может содержать только изображения страниц. Тогда процесс выглядит так:

Фотографии документов

Чек или форму, сфотографированные на телефон, тоже нужно обработать OCR, прежде чем содержимое можно будет структурировать.

Когда достаточно одного OCR?

OCR может быть достаточно, когда нужен именно машиночитаемый текст. Например:

• сделать отсканированные PDF доступными для поиска;
• оцифровать архивы;
• индексировать документы для поиска;
• преобразовать изображение текста в редактируемый текст;
• скопировать абзацы из старых документов;
• передать полный текст документа в другой процесс обработки текста.

Когда нужно структурированное извлечение данных?

Извлечение данных полезнее всего тогда, когда документ — часть повторяющегося бизнес-процесса.

А как быть с таблицами и повторяющейся информацией?

Документы часто содержат больше, чем простые поля. В счёте может быть много позиций, в банковской выписке — сотни операций, а в отчёте — повторяющиеся измерения.

{
  "invoice_number": "INV-45821",
  "items": [
    {
      "description": "Product A",
      "quantity": 2,
      "unit_price": 125
    },
    {
      "description": "Product B",
      "quantity": 1,
      "unit_price": 80
    }
  ]
}

OCR помогает распознать слова и числа в таблице. Структурированное извлечение определяет, как эти значения связаны между собой, и может вернуть их в виде массивов или повторяющихся записей.

Что затрудняет OCR и извлечение данных?

Типичные проблемы OCR

• сканы низкого разрешения или размытые;
• повёрнутые страницы;
• тени или плохое освещение;
• необычные шрифты или рукописный текст;
• повреждённые документы;
• несколько языков.

Сложности извлечения данных

• несколько похожих дат;
• несколько сумм или итогов;
• разные макеты документов;
• меняющаяся терминология;
• отсутствующие поля;
• таблицы на нескольких страницах;
• повторяющаяся информация.

OCR или извлечение данных: что нужно вам?

Как работает извлечение данных по полям

Один из способов структурировать извлечение данных по полям — заранее определить нужную информацию до обработки документа.

supplier_name → Text
invoice_number → Text
invoice_date → Date
due_date → Date
total_due → Number
currency → Text

Точные названия полей уменьшают неоднозначность. Например, вместо amount можно использовать final_amount_payable.

Извлечь окончательную сумму к оплате после налогов и скидок.

Тот же принцип применим к датам. Вместо date используйте поле вроде contract_effective_date.

OCR и извлечение данных с Heyyel Data Extractor

Heyyel Data Extractor создан для процессов, где нужно превращать документы в выбранную структурированную информацию. Для распространённых категорий документов можно начать с предложенных полей. Для документов, специфичных для вашего бизнеса, режим Настраиваемый / Пустой позволяет задать собственную структуру извлечения.

Поля могут содержать текст, числа, даты, логические значения и повторяющуюся информацию. Если вместо выбранных полей нужно более полное содержимое документа, Heyyel Data Extractor также предлагает Необработанные данные.

Затем результаты можно проверить и экспортировать в JSON или CSV.

Часто задаваемые вопросы