PDF-парсинг, который не сдался даже сканам из “эры факсов”

В DocuChat мы реализовали парсинг PDF с извлечением структурированного текста: вытаскиваем не просто символы, а сохраняем логику документа — заголовки, списки, таблицы. И вот тут начинается веселье: обычный PDF ещё можно приручить, а скан плохого качества — это уже режим “выжить любой ценой”.

Поэтому добавили OCR для сканированных документов: распознаём текст там, где PDF по сути картинка. А дальше — магия, но инженерная: в чате с AI модель предлагает правки, а пользователь принимает или отклоняет изменения через diff-интерфейс. Почти как code review, только для документов.

На фоне хайпа вокруг AI-ассистентов особенно видно: просто “прочитать PDF” уже мало, нужен контролируемый workflow, где человек остаётся в контуре. Мы как раз в эту сторону и копаем.