扫描版 PDF 只是图片:OCR 到底做了什么

扫描版 PDF 只是图片:OCR 到底做了什么

在一份 40 页的扫描合同里搜索「终止条款」,结果什么都没有,尽管这个词就印在第 12 页。PDF 没有坏,它从来就没存过这个词,只存了一张它的照片。

一份扫描件就是一本相册

纸张进扫描仪,出来的是每页一整张大图——通常是 JPEG,黑白文档也可能是 CCITT Group 4 或 JBIG2 压缩。PDF 把这些图片包进页面对象,别的什么都没加。没有字形、没有字体表、没有文字层;「终止条款」四个字只是几百个颜色较深的像素。

所以选不中、搜不到,文件还常常大得出乎意料。

OCR 的流水线

光学字符识别就是把这个过程倒过来,一般分四步:

  1. 栅格化:按合适的分辨率处理页面,常用目标是 300 DPI。再低,细笔画就会糊在一起。
  2. 找文字行:把像素归组成行和区块,为分栏和表格理出阅读顺序。
  3. 识字符:训练好的分类器结合上下文辨认每个形状,用语言模型在 1、l、I 之间做选择。
  4. 输出结果:纯文本;或者把一层看不见的文字铺在页面图片下面,这就是所谓的「可搜索 PDF」。对存档来说后者最好:页面还是原扫描样,却能搜索和复制。

识别在哪儿失手

  • 分辨率低或压缩痕迹重:笔画糊了就只剩猜。
  • 倾斜和弯曲:扫歪的页面,或者印在瓶子上的文字。
  • 手写体:Tesseract 这类引擎训练的是印刷体,连笔字基本没戏。
  • 语言模型选错:重音符号、中日韩文字、连字都会崩。
  • 表格:每个字符都认出来了,阅读顺序还是一团乱。

在本地做识别

站内的 图片转文字工具 用的是 Tesseract.js,把 OCR 引擎编译成 WebAssembly 放进浏览器,图片不离本机。两个实用提醒:它接收图片文件而不是 PDF,所以要先把扫描页导出成 PNG 或 JPG;开始前先选对语言,引擎会加载对应的语言模型。输出是文本框里的纯文字,直接复制即可。

规则:扫描用 300 DPI,选对语言,然后把每一个数字都核对一遍。OCR 对散文大体靠谱,对数字却错得足够让你吃亏。