什么是 OCR？它如何处理 PDF 文件？

引言

你是否尝试过复制扫描版 PDF 的文字，却发现整个页面像一张照片？光学字符识别，即 OCR，是用于识别图片中可见字符，并将其转成文字信息的技术。

OCR 能让扫描文档可搜索、帮助提取数据，并支持转换为可编辑格式。但识别并非完美，用于重要决策前应检查输出结果。

OCR 是什么意思？

OCR 是 Optical Character Recognition（光学字符识别） 的缩写。它分析图片内容，识别字母、数字、标点，有时还会识别文档结构。输入可以是扫描页面、照片，或以图片为内容的 PDF。

OCR 不同于简单地将图片保存成 PDF。图片转 PDF 是将像素封装到文档中，OCR 则尝试理解这些像素所表示的文字。

OCR 的工作原理

1. 图像预处理

软件可能会校正旋转、去除噪点、提高对比度并识别页面边界。源图片越清晰，识别就越容易。

2. 版面分析

系统定位段落、标题、表格和图片等区域。多栏文档和复杂表单的处理难度高于简单的单栏页面。

3. 字符和词语识别

识别模型将可见形状理解为字符和词语。语言信息有助于区分含义不明确的字符组合。

4. 生成输出

根据所用工具，OCR 可以生成纯文本、带不可见文字层的可搜索 PDF，或含有重建段落的 Word 文档。

5. 核对结果

应将结果与源文件对照，尤其要核对金额、日期、序列号和姓名。

OCR 与文字提取的区别

文字提取读取数字 PDF 中已经存在的字符，OCR 则尝试从图片中识别字符。数字 PDF 通常不需要 OCR，除非文字编码无法使用，或部分页面内容是图片。

什么会影响 OCR 准确性？

分辨率： 细小或模糊的文字难以识别。扫描普通印刷文档时，300 DPI 是常见起点，但不是适用于所有情况的要求。

对比度和光照： 阴影、褪色墨迹和复杂背景会增加识别难度。

语言和字体： 专业符号、特殊字体和多种文字系统可能需要合适的语言模型。

页面结构： 表格、多栏文字、手写内容和印章可能干扰阅读顺序。

图片方向： 应先校正倾斜或倒置的页面，再进行处理。

如何对扫描版 PDF 使用 OCR

1. 打开 PDF，测试是否能选中文字。
2. 选择明确支持文档语言 OCR 的软件。
3. 校正页面方向，并尽可能改善扫描质量。
4. 运行 OCR，选择需要的输出：可搜索 PDF、文本或可编辑文档。
5. 搜索几组词语，并复制样例段落。
6. 将重要数值与原始图片核对。
7. 保留源扫描件以供参考。

不是所有在线 PDF 转换器都提供 OCR，上传文件前应确认是否支持该功能。

OCR 有哪些用途？

OCR 有助于搜索历史档案、将纸质报告数字化、从发票中提取文字，以及让扫描文档更容易被索引。对于发票和表格，识别本身并不能保证字段提取正确，可能还需要额外的结构分析和验证。

OCR 可以辅助无障碍使用，但可搜索文字层本身并不提供正确的标签、阅读顺序或图片说明。

常见 OCR 错误

识别出来的 8 实际上可能是 B，1 可能是 I。日期可能被误解，栏目的读取顺序可能错误，表格也可能丢失单元格边界。应将 OCR 结果视为一份有用的文字初稿，而不是不容置疑的证据。

常见问题

OCR 会让 PDF 可编辑吗？

它可以生成可编辑文字，但若要保留原始版式，可能需要额外转换和整理。

OCR 与扫描是一回事吗？

不是。扫描获取图片，OCR 则理解图片中的文字。

OCR 可以识别手写文字吗？

某些系统可以，但结果会因笔迹和语言而有很大差异。

OCR 可以离线工作吗？

可以，一些桌面应用会在本地处理文件，另一些则使用在线服务。

OCR 能保证 100% 准确吗？

不能。请人工核对重要文字和数字。

结语

OCR 将文字图片与可搜索信息连接起来，对扫描版 PDF 很有价值，但结果取决于图片质量、文档复杂程度和语言支持。核对识别内容，并使用 PDFreevert 完成其支持的、不涉及 OCR 的 PDF 转换和整理任务。