什麼是 OCR？它如何處理 PDF 檔案？

引言

你是否嘗試過複製掃描版 PDF 的文字，卻發現整個頁面像一張照片？光學字元識別，即 OCR，是用於識別圖片中可見字元，並將其轉成文字資訊的技術。

OCR 能讓掃描文件可搜尋、幫助提取資料，並支援轉換為可編輯格式。但識別並非完美，用於重要決策前應檢查輸出結果。

OCR 是什麼意思？

OCR 是 Optical Character Recognition（光學字元識別） 的縮寫。它分析圖片內容，識別字母、數字、標點，有時還會識別文件結構。輸入可以是掃描頁面、照片，或以圖片為內容的 PDF。

OCR 不同於簡單地將圖片儲存成 PDF。圖片轉 PDF 是將畫素封裝到文件中，OCR 則嘗試理解這些畫素所表示的文字。

OCR 的工作原理

1. 影象預處理

軟體可能會校正旋轉、去除噪點、提高對比度並識別頁面邊界。源圖片越清晰，識別就越容易。

2. 版面分析

系統定位段落、標題、表格和圖片等區域。多欄文件和複雜表單的處理難度高於簡單的單欄頁面。

3. 字元和詞語識別

識別模型將可見形狀理解為字元和詞語。語言資訊有助於區分含義不明確的字元組合。

4. 生成輸出

根據所用工具，OCR 可以生成純文字、帶不可見文字層的可搜尋 PDF，或含有重建段落的 Word 文件。

5. 核對結果

應將結果與原始檔對照，尤其要核對金額、日期、序列號和姓名。

OCR 與文字提取的區別

文字提取讀取數字 PDF 中已經存在的字元，OCR 則嘗試從圖片中識別字元。數字 PDF 通常不需要 OCR，除非文字編碼無法使用，或部分頁面內容是圖片。

什麼會影響 OCR 準確性？

解析度： 細小或模糊的文字難以識別。掃描普通印刷文件時，300 DPI 是常見起點，但不是適用於所有情況的要求。

對比度和光照： 陰影、褪色墨跡和複雜背景會增加識別難度。

語言和字型： 專業符號、特殊字型和多種文字系統可能需要合適的語言模型。

頁面結構： 表格、多欄文字、手寫內容和印章可能干擾閱讀順序。

圖片方向： 應先校正傾斜或倒置的頁面，再進行處理。

如何對掃描版 PDF 使用 OCR

1. 開啟 PDF，測試是否能選中文字。
2. 選擇明確支援文件語言 OCR 的軟體。
3. 校正頁面方向，並儘可能改善掃描質量。
4. 執行 OCR，選擇需要的輸出：可搜尋 PDF、文字或可編輯文件。
5. 搜尋幾組詞語，並複製樣例段落。
6. 將重要數值與原始圖片核對。
7. 保留源掃描件以供參考。

不是所有線上 PDF 轉換器都提供 OCR，上傳檔案前應確認是否支援該功能。

OCR 有哪些用途？

OCR 有助於搜尋歷史檔案、將紙質報告數字化、從發票中提取文字，以及讓掃描文件更容易被索引。對於發票和表格，識別本身並不能保證欄位提取正確，可能還需要額外的結構分析和驗證。

OCR 可以輔助無障礙使用，但可搜尋文字層本身並不提供正確的標籤、閱讀順序或圖片說明。

常見 OCR 錯誤

識別出來的 8 實際上可能是 B，1 可能是 I。日期可能被誤解，欄目的讀取順序可能錯誤，表格也可能丟失單元格邊界。應將 OCR 結果視為一份有用的文字初稿，而不是不容置疑的證據。

常見問題

OCR 會讓 PDF 可編輯嗎？

它可以生成可編輯文字，但若要保留原始版式，可能需要額外轉換和整理。

OCR 與掃描是一回事嗎？

不是。掃描獲取圖片，OCR 則理解圖片中的文字。

OCR 可以識別手寫文字嗎？

某些系統可以，但結果會因筆跡和語言而有很大差異。

OCR 可以離線工作嗎？

可以，一些桌面應用會在本地處理檔案，另一些則使用線上服務。

OCR 能保證 100% 準確嗎？

不能。請人工核對重要文字和數字。

結語

OCR 將文字圖片與可搜尋資訊連線起來，對掃描版 PDF 很有價值，但結果取決於圖片質量、文件複雜程度和語言支援。核對識別內容，並使用 PDFreevert 完成其支援的、不涉及 OCR 的 PDF 轉換和整理任務。