什么时候值得做OCR
扫描的合同、旧信件,或用手机拍下的收据,在PDF里都只是一张图片:无法搜索,无法复制其中的句子,也无法让屏幕阅读器朗读。做完OCR后,文件用起来就像普通的电子文档,看起来却仍和原来的纸质文件一模一样。
获得最佳效果的小贴士
- 如果扫描仪可以设置,请用300DPI扫描;要识别小字,至少需要200DPI。
- 保持页面平整、光线均匀;已经扫歪的文件,可以先用PDF纠偏摆正。阴影和折痕是漏识别文字最常见的原因。
- 选择文档所用的语言。如果英语和土耳其语混用,选“英语+土耳其语”可以同时识别两种语言。
识别结果不对时
- 字母认错或漏识别。 按原尺寸查看扫描图。如果您自己都看得很吃力,OCR也很难识别;请在光线更充足、纸张平放的条件下重新扫描。
- 带重音的字母变成了普通字母。 “é”变成“e”,或土耳其语的“ş”变成“s”,通常说明选错了语言。请换成对应的语言重新识别。
- 手写字没有被识别。 OCR是为印刷文字设计的。工整的印刷体手写有时能识别,但签名、页边批注和连笔字无法可靠识别。
- 复制出来的表格各列混在一起。 识别出的文字位置与页面上完全一致,所以搜索没问题。但复制出来时,各列可能会逐行混在一起;转换成Word后请检查一下表格。
- 长扫描件要好几分钟。 识别在您自己的处理器上逐页进行。请保持标签页打开,或者先提取需要的页面,只对这些页面做OCR。
一分钟检查识别结果
不需要通读整个文件,也能知道识别是否成功。打开新的PDF,按Ctrl+F(Mac上按Cmd+F),搜索一个您确定某页上有的词,比如人名、公司名或标题。如果阅读器在正确的位置高亮显示了它,说明这一页的文字层可以正常使用。如果什么都没找到,请看看那一页:通常是字迹太淡、页面歪斜,或者是斜着拍的。
尤其要注意数字。单词里认错一个字母,根据上下文很容易发现,但认错一个数字就不容易察觉了,而最常见的混淆正是形状相近的字符:数字0和字母O、数字1和小写字母l、5和S、8和B。从识别后的扫描件中复制账号、金额或日期时,使用前请对照原图逐位核对。
下一步做什么
如果手上是照片或截图而不是PDF,图片转文字可以直接把其中的文字提取为文本。
PDF变成可搜索之后,可以转换成Word编辑文字,可以提取文本得到纯文字,也可以在通过邮件发送前先压缩一下,因为扫描件往往很大。
在Mac上扫描纸质文件?如何在Mac上把文件扫描成PDF介绍了用iPhone相机和“图像捕捉”扫描的方法,以及如何把扫描件拿到这里识别。