跳到主要內容
文章

如何用 OCR 辨識掃描 PDF 中的文字

辨識會在原封不動的頁面影像上疊一層看不見的文字。預設的品質模式是哪個、自動語言怎麼運作,以及為什麼預設不啟用自動轉正。

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.

13 篇文章

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

關於本專案

常見問題

不會。頁面影像維持原樣,上方只多了一層看不見的文字。從外觀上看,檔案和原件沒有差別,但搜尋和複製都能使用了。
幾乎什麼也不會發生:已有文字的頁面會直接略過,不做處理。對於一部分頁面是打字、另一部分是掃描的混合文件,這很方便。
英文和俄文。自動模式會同時辨識兩種語言,適合文字混雜的文件。如果選定的語言無法使用,辨識會改用可用的語言,並以獨立的警告告知。
不需要。基本流程不用建立帳號就能使用。
檔案只用於你選擇的操作,處理完成後會自動刪除。我們不會使用上傳的文件來訓練 AI 模型。

此專區的更多內容

相關工具

← 所有最佳化工具

接下來可以做什麼

讀完後若需要實際的下一步或服務說明,請開啟以下頁面。

所有工具

PDF 工具目錄:合併、壓縮、分割、轉換、旋轉、保護與解鎖 PDF。透過瀏覽器線上使用所需工具。

常見問題

查詢 iHatePDF 的帳號、檔案處理、上傳限制、行動裝置使用、隱私,以及 PDF 工具出現錯誤時的處理方式。

聯絡我們

若遇到處理錯誤、需要協助選擇工具,或有安全、商務合作與新功能建議,歡迎聯絡 iHatePDF。聯絡時請簡述遭遇的問題與使用的工具。