AIСобственный инструментAI · OCR · Telegram и Email

OCR Document Bot — распознавание документов и восстановление DOCX

Пользователь отправляет фото, скан или PDF в Telegram или на почту и получает текст или редактируемый DOCX — с заголовками, абзацами, порядком чтения и таблицами вместо картинки, которую нужно перепечатывать.

Собственный инструмент, не клиентский заказ. Запущен в production для разрешённых отправителей — публичного доступа нет. Схема и пример документа на странице — иллюстрации на вымышленных данных, не скриншоты.

Тип
Собственный инструмент
Каналы
Telegram · Email
Вход
JPG, PNG, WEBP, BMP, TIFF, PDF
Выход
Текст в ответе или DOCX
Иллюстрация
Схема архитектуры

Каналы — только адаптеры, распознавание и выбор формата ответа — в общем сервисе. Схема по ARCHITECTURE.md.

Задача

Скан — это картинка, а нужен документ, который можно править

Заявки, письма, таблицы и договоры часто приходят фотографией или сканом. Чтобы поправить текст или пересчитать таблицу, его перепечатывают вручную.

Задача — получить редактируемый документ с исходной структурой: заголовками, абзацами, порядком чтения и таблицами. А короткий текст — сразу в ответе, без файла.

Главный принципЛучше оставить таблицу текстом, чем выдумать структуру, которой нет в документе.

Архитектура

Один OCR-пайплайн для двух каналов

Telegram и Email — только адаптеры: принимают файл, проверяют отправителя и отдают результат. Распознавание, модель документа и выбор формата ответа живут в DocumentOCRService и не зависят от канала.

PDF с пригодным текстовым слоем читается через PyMuPDF без повторного OCR, сканированные страницы уходят в Yandex Vision. Ответ провайдера переводится в независимую Document Model, из неё OutputPolicy делает короткий текст или DOCX.

Telegram · EmailOCR-сервисPyMuPDF / Vision OCR
Document ModelOutputPolicyТекст или DOCX
Python 3.12 · uv · httpx · Yandex Vision OCR · Pydantic v2 · Pillow · PyMuPDF · OpenCV · python-docx · aiogram 3 · IMAP / SMTP · SQLite · Docker Compose · pytest

Реализовано

Что умеет бот

01

Изображения и PDF

JPG, PNG, WEBP, BMP, TIFF и PDF. Многостраничные TIFF и PDF обрабатываются постранично в исходном порядке.

02

Текстовый слой PDF

Если в PDF есть пригодный текст, он извлекается локально. В OCR уходят только сканированные страницы.

03

Структура документа

Абзацы, заголовки, порядок чтения и геометрия OCR-блоков сохраняются во внутренней модели документа.

04

Таблицы

Нативные таблицы Yandex Vision становятся редактируемыми таблицами DOCX, включая пустые и объединённые ячейки. Восстановление по видимой сетке через OpenCV — опционально и выключено по умолчанию.

05

Выбор формата ответа

Короткий текст до 2 500 символов приходит сообщением или в теле письма, таблицы и длинные документы — файлом DOCX. В Telegram есть кнопка «Получить DOCX».

06

Доступ и надёжность

Allowlist отправителей, защита от повторной обработки, состояние почтовой доставки в SQLite, лимиты на размер файла и число страниц.

Результат

Из скана — в редактируемый документ

Результаты

Что подтверждено

Из отчётов о разработке и запуске в репозитории.

94
автотеста pytestПоследний зафиксированный прогон: модель документа, DOCX-рендеринг, таблицы, предобработка, адаптеры Telegram и Email.
2 из 2
канала прошли проверку в productionTelegram обработал сканированный PDF, Email — поддерживаемое вложение.
1
общий OCR-пайплайнTelegram и Email используют один сервис распознавания и не содержат собственной логики OCR.

Проверка в production — ручная, со стороны оператора. Она подтверждает работу каналов, а не измеряет точность распознавания.

Ограничения

Что важно знать

  • OCR не гарантирует стопроцентную точность. Мелкие числа, сложные таблицы и объединённые ячейки нужно проверять вручную.
  • Таблицы без нативной структуры или надёжной видимой сетки остаются обычным текстом — это безопаснее ложной таблицы.
  • Исходный дизайн не воспроизводится пиксель в пиксель: DOCX предназначен для редактирования.
  • OCR синхронный и постраничный: для очень больших документов нужен отдельный асинхронный процесс.
  • XLSX, веб-интерфейс и публичный API пока не реализованы. Доступ — только для разрешённых отправителей, публичного демо нет.
  • Распознавание выполняет облачный Yandex Vision: для документов с персональными данными политику хранения и обработки нужно согласовать заранее.

Ещё в разделе «AI-решения»

Другие AI-решения

Экраны AI Food Coach в Telegram: разбор блюда, Menu Coach и оплата PRO
AIСобственный production-продукт

AI Food Coach

Production Telegram-сервис с multimodal AI, подпиской, платежами, поддержкой, web-admin и аналитикой.

AIR&D / Portfolio Case

AI Catalog Consultant

AI-консультант по товарному каталогу с RAG, structured retrieval, evaluation и контролем качества: факты берутся из каталога, а не из памяти модели.

AIСобственный продукт

AI Lead Assistant

Telegram-бот, который принимает обращение текстом, голосом, изображением или документом, уточняет недостающие детали и передаёт менеджеру структурированную заявку.

Нужен похожий проект?

Нужно распознавать документы в вашем процессе?

Подключу OCR к каналу, куда документы уже приходят, — Telegram, почте или веб-форме — и настрою выдачу в нужном формате с проверкой качества на ваших образцах.