Секунды вместо часов: ускорили поиск документов в архиве предприятия

Крупное российское промышленное металлургическое предприятие* ежедневно работает с большим объемом технической, производственной и отчетной документации. Значительную часть цифрового архива составляют документы разных форматов, включая Word, Excel, PDF и сканированные файлы.

По мере роста архива поиск информации становился все более трудоемким. Чтобы найти нужную фразу, номер документа, название изделия или другой текстовый фрагмент, сотрудникам приходилось вручную просматривать десятки и даже сотни файлов. Это увеличивало нагрузку на сотрудников, отнимало много времени и повышало риск пропустить важную информацию.

Вариант с использованием готового решения компании не подходил. Подписочные сервисы требовали регулярных затрат на лицензии, а обработка документов во внешней инфраструктуре не соответствовала требованиям по безопасности корпоративных данных.

Заказчик принял решение разработать собственное приложение, которое работает внутри корпоративной инфраструктуры, не требует передачи документов сторонним сервисам и учитывает особенности внутренних процессов компании.

Задачи:

• реализовать обработку документов популярных форматов: XLS, XLSX, DOC, DOCX, RTF и PDF;

• добавить извлечение текста, включая OCR-распознавание сканированных документов;

• обеспечить корректный поиск информации независимо от типа и структуры файлов;

• протестировать приложение и проверить качество распознавания и поиска на разных типах документов.

*Название компании не раскрывается в соответствии с соглашением о конфиденциальности (NDA).

Мы разработали десктоп-приложение, которое автоматически анализирует архив документов и выполняет поиск по запросу пользователя. Программа извлекает текст из файлов разных форматов, распознает содержимое сканированных документов и быстро находит нужную информацию во всем архиве.

Работа с разными форматами документов

Чтобы поиск охватывал весь архив, мы реализовали автоматическое извлечение текста из наиболее распространенных офисных форматов. Приложение обрабатывает документы Word, Excel и другие файлы независимо от их структуры и объема. Пользователю не нужно открывать каждый документ отдельно — поиск выполняется сразу по всему архиву.

Распознавание текста в PDF и сканах

Приложение поддерживает работу с PDF-документами двух типов:

• PDF, содержащие текст;

• сканированные документы, где текст представлен в виде изображения.

Для обычных PDF выполняется извлечение текста, а для сканов применяется OCR-распознавание.

Гибкий поиск данных

На практике сотрудникам часто требуется искать документы не по одному, а сразу по нескольким ключевым словам. Мы учли это в системе. Например, можно найти документы, где одновременно встречаются слова «амортизация» и «транспорт», либо получить список файлов, содержащих хотя бы одно из указанных слов.

Такой подход позволяет выбирать между более точным и более широким поиском в зависимости от задачи.

Проект разработки ПО для распознавания текста и поиска данных в архиве документов был реализован за 3 недели. После передачи установочного файла заказчик оперативно запустил опытную эксплуатацию на реальных данных. Замечаний по работе системы не возникло.

После внедрения решения заказчик получил:

• безопасность конфиденциальной информации благодаря тому, что анализ документов происходит внутри ИТ-контура компании;

• сокращение трудозатрат на обработку данных и поиск информации благодаря гибкому поиску данных;

• уменьшение затрат благодаря внедрению собственного программного обеспечения вместо подписок и лицензий на готовое.