掃描的 PDF 通常包含頁面圖片而不是可選擇的文字。可搜尋的 PDF 包含軟體可以搜尋、選擇、複製或索引的文字層。 OCR 可以將辨識的文字新增至掃描的 PDF，同時保留可見的頁面影像，但辨識的文字可能包含錯誤。
僅影像、本機且可搜尋的掃描 PDF
| 特點 | 僅影像掃描 | 原生數位 PDF | OCR/可搜尋掃描 |
|---|---|---|---|
| 可選文字 | 通常沒有。 | 通常在對文字進行可存取編碼時可用。 | 在新增了已識別文字的情況下可用。 |
| 搜尋 | 無法將圖片中的文字作為文字進行搜尋。 | 通常會搜尋儲存的文字。 | 搜尋已識別的文本，包括其錯誤。 |
| 外觀 | 頁面圖像。 | 文字、向量、圖像或它們的混合物。 | 通常同一頁面圖像帶有隱藏的文字圖層。 |
| 需要 OCR | 是的，要辨識圖中的單字。 | 通常不適用於可讀取的本機文字。 | 已經執行了，儘管結果不佳可能需要再次嘗試。 |
| 識別錯誤 | 還沒識別層。 | 原生文字無 OCR 錯誤；擷取仍可能有問題。 | 即使可見掃描看起來正確也是可能的。 |
PDF 可以混合這些類型：數位報告可能包含掃描的附錄。嘗試搜尋一個獨特的可見單字並從幾頁中複製一個句子。僅失敗的搜尋並不能確定僅影像掃描的證據；文字編碼、權限或較差的 OCR 層也會產生幹擾。
不可見的文字圖層如何運作？
OCR（光學字元辨識）可估計影像中的字元。 PDF 匯出器可以不可見地儲存辨識出的單字，同時讓掃描結果可見。然後搜尋使用那些儲存的單字，而不是新讀取的像素。良好的對齊方式將隱藏的單字放置在其匹配的圖像位置上，因此選擇和突出顯示感覺很自然。
例如，掃描結果明顯顯示發票編號 1080，其 OCR 層可能包含 1O8O。即使頁面圖像未更改，搜尋正確的數字也可能會失敗。將數字複製到電子表格中會帶來識別錯誤。
OCR為什麼會出錯？
- 低解析度會失去字元細節；放大模糊的掃描無法恢復遺失的筆劃。
- 傾斜、運動模糊、陰影、雜訊和壓縮偽影使字母形狀更難以分離。
- 不適當的識別語言可能會產生錯誤的單字或字元。
- 手寫和不尋常的字體比清晰的印刷文字更難以預測。
- 即使可以識別單個字母，列、表格、腳註和旋轉標籤也可能會混淆閱讀順序。
可搜尋的 PDF 並不自動成為結構良好或易於存取的文件。識別單字不一定會創建正確的標題、表格關係、閱讀順序或文件標籤。 OCR 也不會重新建立原始 Word 來源。
SoraFiles PDF OCR 有何期待
目前的 PDF OCR工具 在本地運行識別。它保留具有偵測到的可讀本機文字的頁面並識別掃描的頁面。選擇適當的語言並提供清晰、直接的掃描可以改善識別條件；準確性仍需檢驗。
這些匯出限制與 OCR 引擎是否識別文字無關。有用的文本結果仍然可能產生不完整的可搜尋 PDF。具有現有本機文字的頁面不會以相同的方式受到添加文字編碼的影響，但它們仍然需要實際的搜尋和複製檢查。
在依賴結果之前先檢查結果
- 從不同頁面搜尋幾個獨特的單字和數字。
- 將段落複製到純文字編輯器中以檢查字元和閱讀順序。
- 將名稱、日期、總數和識別碼與原始影像進行比較。
- 單獨檢查頁面的列、表格、筆跡和任何語言變更。
- 將原始掃描件與 OCR 結果放在一起，以便稍後檢查不確定的文字。
若要獲得更清晰的起始影像，請使用 文件掃描儀 調整文檔擷取。如果您需要可編輯的段落，請比較 PDF 到 Word 與 視覺和可編輯轉換權衡 在選擇輸出之前。
參考文獻
- Adobe：識別掃描文件中的文本 (External link, opens in a new tab)
- Tesseract：提高識別質量 (External link, opens in a new tab)
- 超立方體：常見問題 (External link, opens in a new tab)
- SoraFiles：PDF OCR