如何用 OCR 识别扫描版 PDF 中的文字
简言之: OCR 不会改变页面的外观:图像之上多出一层不可见的文本,搜索和复制随即可用。已有文本的页面会被跳过。所谓质量模式,其实是渲染分辨率:快速为 100 DPI,精确为 300 DPI。
专题
操作指南
操作指南: PDF guidance for reliable document processing and quality checks.
主要工具
在线PDF OCR 文字识别
打开本文提到的工具,并以当前界面语言完成操作。
打开工具目录
PDF 文字识别:扫描件会发生什么
一份扫描文档看起来像文档,读起来也像文档,但对任何程序来说它都只是一张图片。你无法在其中搜索,无法把合同编号复制出来,要求检查文本的提交表单也会把它当成空文件拒收。
文字识别解决的正是这个问题,而且它的做法值得了解:它不重写任何内容。
文件里究竟多了什么
页面图像保持原样。图像之上叠加了第二层:文字被放在图片中对应字符所在的位置,并且设为不可见。
结果的所有特性都源于这一点。从外观上看,文件与原件没有区别:纸张、印章、倾斜的角度(如果原本有的话)都一样。与此同时,搜索能找到词语,双击能选中一行,复制得到的是真正的文本。
这也解释了为什么识别对外观要紧的文档是安全的。一份带签名的扫描合同,经过 OCR 之后仍是同一份扫描件、同一个签名,只是变得可以搜索了。
已有文本的页面会被跳过
处理之前,会先检查每一页是否带有文本层,带有文本层的页面根本不会被识别。
由此带来两个实际结果。
混合文档无需额外操作就能正确处理。如果文件的一部分是在编辑器里输入的,另一部分是以扫描图像的形式贴进去的,只有后一部分会被识别。输入的文字保持原样,不会被识别出来的副本取代,这一点很重要:原始文本是准确的,识别出的文本则含有错误。
对普通的文本型 PDF 运行 OCR,几乎什么都不会发生,也不会造成任何损坏。当你不确定手头的文档是不是扫描件时,这很方便:直接交给工具处理即可。
任务耗时也遵循同样的逻辑。它取决于没有文本的页数,而不是文档的总页数。一份两百页的报告中夹着五页扫描件,处理时间就只相当于五页。
三种质量模式就是三种分辨率
质量选项只控制一件事:识别之前页面渲染所用的分辨率。
| 模式 | 分辨率 | 适用场合 |
|---|---|---|
| 快速 | 100 DPI | 大号清晰字体,粗略检查 |
| 均衡 | 150 DPI | 普通文档、合同、证明 |
| 精确 | 300 DPI | 小字号、脚注、质量差的复印件 |
默认是均衡模式,这一点值得记住。每英寸 150 点足以应付标题和正文,但小号脚注、表格里的数字和印章,效果仍不如精确模式。
规则很简单:只要文档里有你自己都要眯着眼看的内容,就选精确模式。它更慢,但能省得你做第二遍。
语言:自动意味着同时识别两种语言
可选语言为英语和俄语,另外还有自动模式。
自动模式并不会去猜测语言,而是用两种语言同时识别整份文档,适合一种语言中夹杂着另一种语言的名称、代码和术语的文本。代价是速度变慢,并且在单一语言的文本上准确率略有下降。
如果整份文档只用一种语言,选择该语言,结果会稍好一些,速度也更快。
当所选语言不可用时,识别不会失败:它会用已安装的语言继续运行,并附上一条单独的警告,写明你请求的语言和实际使用的语言。这条警告值得读一读,不要直接关掉:悄悄被替换的语言,比任何猜测都更能解释一个古怪的结果。
关于其他语言的文档,有一点要说明。拉丁字母由英语语言包识别,但变音符号会在过程中丢失或出错:法语和德语文本识别出来可以阅读,但重音符号会有错误。除拉丁字母和西里尔字母之外的文字系统完全不受支持。
如何运行识别
1. 打开 OCR PDF 在线 并上传文档。 2. 选择语言。混合文本选自动,单一语言的文本选具体语言。 3. 如果文档里有小号字体,请设为精确模式。 4. 运行任务并下载结果。 5. 打开文件,搜索一个你确定在扫描件上出现的词。这是最快的检查办法。
倾斜校正及其代价
有一个单独的开关,会在识别之前把倾斜的页面摆正。它默认是关闭的,这是有原因的。
摆正操作作用在页面的临时副本上,识别读取的就是这份副本,而文本层随后叠加在未经校正的原始页面上。对于严重倾斜的扫描件,这会造成错位:不可见的文字相对于可见的字符发生了旋转。
搜索不受影响,词语照样能找到。受影响的是鼠标选择:选框会偏离字符,复制一段文字变得很别扭。
这种取舍是有意为之的,因为原始页面不会被改动。如果倾斜很严重,更好的做法是在识别之前先把文档摆正:直角旋转用 旋转 PDF 在线,或者通过 扫描为 PDF 在线 重新生成扫描件,它具备真正的倾斜校正。
识别做不到的事
它不会改善源文件。模糊的照片、横过一行文字的灯光反光、盖住半页的手影:这些全都会保留下来,在这样的位置做识别,得到的是乱码,或者干脆被跳过。
它不能识别手写体。这个工具是为印刷体设计的。
它不会产生具有法律效力的文本。识别出的文本层含有错误,不能当作文档的副本。它的用途是搜索,以及满足需要文本层的系统,而不是用来引用。
它也不能恢复分辨率。如果源扫描件是按每英寸 75 点制作的,精确模式会以 300 渲染它,但不会凭空多出任何字符:一张模糊的图片只是被放大了。识别的质量由源文件决定,而不是由设置决定。
识别在操作链中的位置
顺序比看上去要重要,规则只有一条:识别要放在压缩之前。
识别依据的是页面图像。通过 压缩 PDF 在线 压缩会降低这张图像的质量:分辨率下降,字符周围出现杂点。反过来的顺序会让文本中的错误明显增多,而且事后已没有任何办法来修正它们。
合并和旋转也应放在识别之前:它们决定了有哪些页面以及页面的朝向,而文本层是绑定到具体某一页上的。
如果你需要的不是带文本层的文件,而是单独成文件的文本本身,可以用 PDF 转文本 在线:它会把内容提取成按页分隔的纯文本文件。
作者
由服务团队编写;Sergey Gagin 负责本服务
常见问题
该专题的更多内容
相关工具
在线PDF OCR 文字识别
OCR 识别结果可能有误,尤其是低清晰度扫描、手写内容或复杂版面。请校对关键文字。
在线 PDF 转文本
把 PDF 中的文字提取到纯文本文件,复制不带格式和版式的内容。
在线压缩 PDF
减小 PDF 的大小,方便发邮件或上传到表单。选择预设或目标大小,分享前先检查清晰度和最终文件大小。
在线旋转 PDF
当扫描件或部分页面横了或倒了时,调整 PDF 页面的方向。