扫描的 PDF 通常包含页面图片而不是可选择的文本。可搜索的 PDF 包含软件可以搜索、选择、复制或索引的文本层。 OCR 可以将识别的文本添加到扫描的 PDF，同时保留可见的页面图像，但识别的文字可能包含错误。
仅图像、本机且可搜索的扫描 PDF
| 特点 | 仅图像扫描 | 原生数字 PDF | OCR/可搜索扫描 |
|---|---|---|---|
| 可选文本 | 通常没有。 | 通常在对文本进行可访问编码时可用。 | 在添加了已识别文本的情况下可用。 |
| 搜索 | 无法将图片中的文字作为文本进行搜索。 | 通常搜索存储的文本。 | 搜索已识别的文本，包括其错误。 |
| 外观 | 页面图像。 | 文本、矢量、图像或它们的混合物。 | 通常同一页面图像带有隐藏的文本层。 |
| 需要 OCR | 是的，要识别图中的单词。 | 通常不适用于可读的本机文本。 | 已经执行了，尽管结果不佳可能需要再次尝试。 |
| 识别错误 | 还没有识别层。 | 原生文本无 OCR 错误；提取仍然可能存在问题。 | 即使可见扫描看起来正确也是可能的。 |
PDF 可以混合这些类型：数字报告可能包含扫描的附录。尝试搜索一个独特的可见单词并从几页中复制一个句子。仅失败的搜索并不能确定仅图像扫描的证据；文本编码、权限或较差的 OCR 层也会产生干扰。
不可见的文本图层如何工作？
OCR（光学字符识别）可估计图像中的字符。 PDF 导出器可以不可见地存储识别出的单词，同时使扫描结果可见。然后搜索使用那些存储的单词，而不是新读取的像素。良好的对齐方式将隐藏的单词放置在其匹配的图像位置上，因此选择和突出显示感觉很自然。
例如，扫描结果明显显示发票编号 1080，其 OCR 层中可能包含 1O8O。即使页面图像未更改，搜索正确的数字也可能会失败。将数字复制到电子表格中会带来识别错误。
OCR为什么会出错？
- 低分辨率会丢失字符细节；放大模糊的扫描无法恢复丢失的笔划。
- 倾斜、运动模糊、阴影、噪声和压缩伪影使字母形状更难以分离。
- 不适当的识别语言可能会产生错误的单词或字符。
- 手写和不寻常的字体比清晰的印刷文本更难以预测。
- 即使可以识别单个字母，列、表格、脚注和旋转标签也可能会混淆阅读顺序。
可搜索的 PDF 并不自动成为结构良好或易于访问的文档。识别单词不一定会创建正确的标题、表格关系、阅读顺序或文档标签。 OCR 也不会重新创建原始 Word 源。
SoraFiles PDF OCR 有何期待
目前的 PDF OCR工具 在本地运行识别。它保留带有检测到的可读本机文本的页面并识别扫描的页面。选择适当的语言并提供清晰、直接的扫描可以改善识别条件；准确性仍需检验。
这些导出限制与 OCR 引擎是否识别文本无关。有用的文本结果仍然可能生成不完整的可搜索 PDF。具有现有本机文本的页面不会以相同的方式受到添加文本编码的影响，但它们仍然需要实际的搜索和复制检查。
在依赖结果之前先检查结果
- 从不同页面搜索几个独特的单词和数字。
- 将段落复制到纯文本编辑器中以检查字符和阅读顺序。
- 将名称、日期、总数和标识符与原始图像进行比较。
- 单独检查页面的列、表格、笔迹和任何语言更改。
- 将原始扫描件与 OCR 结果放在一起，以便稍后检查不确定的文本。
要获得更清晰的起始图像，请使用 文件扫描仪 调整文档捕获。如果您需要可编辑的段落，请比较 PDF 到 Word 与 视觉和可编辑转换权衡 在选择输出之前。
参考文献
- Adobe：识别扫描文档中的文本 (External link, opens in a new tab)
- Tesseract：提高识别质量 (External link, opens in a new tab)
- 超立方体：常见问题 (External link, opens in a new tab)
- SoraFiles：PDF OCR