PDF OCR 與識別

什麼是 OCR？

掃描 PDF 本質上是一頁的照片：對計算機來說它只是一個畫素網格，沒有一個是文字。OCR（光學字元識別）就是看著這些畫素、推斷它們描繪的是哪些字元的技術。結果可以是複製出來的純文本（OCR 文本模式），或覆蓋在頁面影像上的不可見文字層（掃描→可搜尋和圖片→PDF 模式）——後者正是讓掃描文件在任何 PDF 閱讀器中可搜尋的原因。

OCR 流水線

每個 OCR 引擎都遵循大致相同的階段。首先頁面被渲染成影像（對 PDF，每頁柵格化）。接著是二值化：畫素被分為墨與紙，引擎只處理黑白形狀。形狀再被切分為行、詞和單個字元。最後每個候選被分類——現代引擎使用訓練過的神經網路看整行文本而非單字母，這是它們處理模糊或輕微傾斜輸入遠勝老式單字元匹配器的原因。語言也重要：引擎使用語言專屬詞典和字元集，這就是在上面選擇器裡選對語言能提高準確率的原因。

不可見文字層

"可搜尋 PDF" 是疊在一起的兩樣東西：你看到的原始頁面影像，加上定位在其後的不可見文字層。你在閱讀器裡選擇文字實際選中的是那個隱藏層。可見掃描不會被改變——影像原封不動，質量和外觀永遠不變。代價是複製/貼上和搜尋結果的準確性完全取決於底下的 OCR。如果一個詞被識別錯，搜尋正確拼法就找不到它，因為隱藏層裡存的是錯誤。

為什麼 DPI 決定一切

識別準確率取決於每個字符分到多少像素。PDF 頁面以磅為單位排版（每英寸 72 磅），低分辨率下 10 磅字符塌縮成寥寥幾個像素——150 DPI 下 10 磅字符只有約 21 像素高，300 DPI 下約 42 像素。低於約 20 像素，襯線閉合、字母粘連，準確率急劇下降。這就是OCR 用 300 DPI這一長期掃描準則的由來：它給每個小字符足夠的像素細節又不浪費文件體積。再高很少有幫助——主要是讓掃描更大、OCR 更慢。

OCR 不擅長什麼

手寫、藝術字體和複雜背景上的文字仍是弱點。表格是特例：OCR 看到字元和位置，但不真正理解行與列——表格提取模式從對齊推斷結構，所以複雜表格只能近似。而如果 PDF 已含真實文本（從 Word 匯出而非掃描），你根本不需要 OCR：文字可以用PDF 匯出工具直接、更準確地提取。

常見誤區

• "可搜尋 PDF 和 Word 匯出的 PDF 一樣。"不對——文字層是純識別文本。複製段落可能丟失排版，任何識別錯誤都烙進隱藏層。
• "OCR 恢復原文。"它重建的是最佳猜測。99% 準確的頁面每 100 字元仍有約 1 個錯——搜尋夠用，法律或數值內容有風險。
• "DPI 越高越好。"超過約 400–600 DPI 後準確率收益微乎其微，而檔案體積和處理時間持續攀升。300 DPI 是常規文件的最佳點。
• "手機照片和掃描一樣好。"傾斜、光照不均和手抖都會削減準確率。把頁面拍平、正對、光線充足——重要文件請用真正的掃描器。

相關工具：PDF 匯出（原生文本提取——數字 PDF 無需 OCR）、PDF 結構詳解（文字層如何附著於頁面）、PDF 編輯與整理、轉換為 PDF。