如何用 OCR 辨識掃描 PDF 中的文字
簡而言之: OCR 不會改變頁面外觀:影像上方多一層看不見的文字,搜尋和複製就能使用。已有文字的頁面會被略過。品質模式其實是轉成影像的解析度:快速為 100 DPI,精準為 300 DPI。
專區
操作指南
操作指南: PDF guidance for reliable document processing and quality checks.
主要工具
對 PDF 執行 OCR 文字辨識
從本文開啟工具,使用目前的語言完成操作。
開啟工具目錄
PDF 文字辨識:掃描檔會發生什麼事
掃描文件看起來像文件,讀起來也像文件,但對任何程式來說它只是一張圖片。你無法搜尋內容,也無法從中複製合約編號;要求檢查文字的申請表單,還會把它當成空白檔案退回。
文字辨識(OCR)處理的正是這個問題,而且做法值得了解:它不會改寫任何東西。
檔案裡實際多了什麼
頁面影像維持原樣,上方會多一層文字:這些文字放在圖片中對應字母的位置,並且是看不見的。
成果的所有特性都源自這一點。從外觀上看,檔案和原件沒有差別:同樣的紙張、同樣的印章,掃描時若有傾斜,傾斜也照舊。但搜尋可以找到字詞,連按兩下能選取一行,複製得到的也是真正的文字。
同樣的道理也說明了為什麼辨識對外觀要緊的文件很安全。附有簽名的掃描合約,經過 OCR 後仍是同一份掃描、同一個簽名,只是變得可以搜尋。
已有文字的頁面會被略過
處理之前,系統會檢查每一頁是否已有文字層,已有的頁面完全不會辨識。
這帶來兩個實際的結果。
混合文件不必費力就能正確處理。如果檔案的一部分是在編輯器中打字完成、另一部分是貼進來的掃描圖,就只會辨識後者。打出來的文字保持原樣,不會被辨識出的副本取代,這一點很重要:原始文字是精確的,辨識出的文字則含有錯誤。
對一般的文字 PDF 執行 OCR,幾乎什麼也不會發生,也不會損壞任何內容。當你不確定手上的文件是不是掃描檔時,這很方便:直接丟進工具就好。
處理所需的時間也遵循同樣的邏輯。時間長短取決於沒有文字的頁數,而不是文件的總頁數。一份兩百頁的報告若夾著五頁掃描圖,處理時間就跟五頁一樣。
三種品質模式其實是三種解析度
品質選項只控制一件事:辨識之前頁面以什麼解析度轉成影像。
| 模式 | 解析度 | 適合的情況 |
|---|---|---|
| 快速 | 100 DPI | 大字、清晰的字體,粗略檢查 |
| 平衡 | 150 DPI | 一般文件、合約、證明書 |
| 精準 | 300 DPI | 小字、註腳、品質差的影本 |
預設是平衡模式,這一點要記住。每英寸 150 點對標題和內文已經夠用,但小註腳、表格裡的數字和印章,辨識結果仍然不如精準模式。
規則很簡單:只要文件裡有你自己都得瞇著眼看的內容,就選精準模式。它比較慢,但能省下重做一次的功夫。
語言:自動代表同時辨識兩種語言
可選的語言有英文和俄文,另外還有自動模式。
自動模式並不是猜測語言,而是同時用兩種語言辨識整份文件,適合一種語言裡夾雜另一種語言的人名、代碼和術語的文字。代價是速度較慢,對單一語言的文字準確度也會略微下降。
如果整份文件都是同一種語言,直接選那種語言,結果會稍微好一點,速度也更快。
選定的語言無法使用時,辨識不會失敗:系統會用已安裝的語言執行,並附上一則獨立的警告,同時寫出你要求的語言和實際套用的語言。這則警告值得讀一讀,不要直接關掉:語言被悄悄替換,比任何猜測都更能解釋奇怪的結果。
關於其他語言的文件:拉丁字母可以由英文語言包辨識,但變音符號會遺失或變形,法文和德文的內容讀得懂,只是重音符號會出錯。拉丁字母和西里爾字母以外的書寫系統則完全不支援。
如何執行辨識
1. 開啟 線上 OCR PDF,上傳文件。 2. 選擇語言。混合文字選自動,單一語言的文字選該語言。 3. 文件有小字時,改用精準模式。 4. 執行並下載結果。 5. 開啟檔案,搜尋一個你確定掃描圖上有的字詞。這是最快的檢查方式。
自動轉正及其代價
另有一個開關,會在辨識前把傾斜的頁面轉正。它預設是關閉的,這是有原因的。
轉正只套用在頁面的暫存副本上,辨識讀取的是這份副本,文字層卻是疊在未經校正的原始頁面上。在嚴重傾斜的掃描檔上,這會造成位移:看不見的文字相對於看得見的字母發生了旋轉。
搜尋不受影響,字詞照樣找得到。受影響的是用滑鼠選取:選取框會落在字母之外,複製一段文字變得很彆扭。
這個取捨是刻意的,因為原始頁面不會被改動。如果傾斜很嚴重,比較好的做法是在辨識前先把文件轉正:直角旋轉可以用 旋轉 PDF 頁面,或者透過有真正自動轉正功能的 將掃描影像轉成 PDF 重新製作掃描檔。
文字辨識做不到的事
它不會改善原始檔。模糊的照片、橫過一行字的燈光反光、遮住半頁的手影,這些都還在,在這種地方做辨識,結果會是亂碼,或是直接略過。
它不能讀手寫字。這個工具是為印刷字體設計的。
它產生的文字不具法律效力。辨識出的文字層含有錯誤,不能當作文件的副本使用。它是為了搜尋,以及需要文字層的系統而存在,不是用來引用的。
它也不會還原解析度。如果原始掃描只有每英寸 75 點,精準模式會把它轉成 300 DPI 來處理,但不會多出任何字母:模糊的圖只是變大了。辨識品質由原始檔決定,而不是設定。
辨識在一連串操作中的位置
順序比看起來重要得多,而且只有一條規則:辨識要放在壓縮之前。
辨識是根據頁面影像進行的。透過 線上壓縮 PDF 壓縮會降低這張影像的品質:解析度變低,字母周圍出現雜訊。順序反過來,文字中的錯誤會明顯增加,之後也沒有任何東西可以修正。
合併和旋轉也要放在辨識之前:它們會改變有哪些頁面以及頁面的方向,而文字層是綁定在特定頁面上的。
如果你要的不是帶文字層的檔案,而是單獨一份文字檔,可以用 擷取 PDF 文字:它會把內容擷取成按頁分段的純文字檔。
作者
由服務團隊撰寫;Sergey Gagin 為服務負責人
常見問題
此專區的更多內容
相關工具
對 PDF 執行 OCR 文字辨識
透過 OCR 辨識掃描 PDF 中的文字,讓文件更容易搜尋與複製。
線上 PDF 轉文字
把 PDF 中的文字擷取成純文字檔,複製不含格式與版面的內容。
線上壓縮 PDF
縮小 PDF 的檔案大小,方便用電子郵件寄送或上傳到表單。選擇預設值或目標大小,分享前再確認可讀性與最終檔案大小。
線上旋轉 PDF
當掃描檔或部分頁面橫躺或上下顛倒時,修正 PDF 的頁面方向。