如何 OCR 识别扫描文档——从图片中提取文字

什么是 OCR？

OCR（光学字符识别）将图像中的文字转换为可选择、可搜索的真实文本。 当你扫描纸质文件、拍摄白板照片或截取对话截图时，结果是一张图像—— 屏幕上的像素。文字在视觉上存在但在数字层面不存在，无法选中、复制或搜索。

OCR 通过分析像素模式、识别字母形状并生成机器可读文本来解决这个问题。 现代 OCR 引擎使用神经网络，在清晰文本上准确率可达 99% 以上。

OCR 工作原理

1. 预处理。引擎转灰度、调对比度、去噪、纠偏。更好的输入意味着更好的输出。
2. 版面分析。识别文本区域、栏目、段落和阅读顺序，将文字与图片、表格分离。
3. 字符识别。每个字符形状与学习到的模式匹配，结合上下文消除歧义。
4. 后处理。拼写检查和语言模型纠正可能的错误。

如何 OCR 一份文档

1. 浏览器端 OCR

FileKit 的 OCR 工具 使用 Tesseract.js（编译为 WebAssembly 的开源 OCR 引擎），完全在浏览器中 识别文字。支持英文、简体中文、日文及中英混排。文档不离开你的设备。

2. Google Drive

上传扫描件到 Google Drive，右键 → 用 Google 文档打开。Google 自动应用 OCR 生成可编辑文档。适合简单单栏排版，多栏和表格效果较差。

3. Adobe Acrobat

Acrobat 的扫描和 OCR 功能在扫描页面上方创建可搜索文本层。原始图像 保持不变，文字变得可选择和可搜索。最适合需要保持视觉保真度的归档文档。

4. 命令行 Tesseract

# 基础 OCR（英文）
tesseract scan.png output -l eng

# 多语言（英文 + 中文）
tesseract scan.png output -l eng+chi_sim

# 生成可搜索 PDF
tesseract scan.png output -l eng pdf

# 批量处理文件夹
for f in *.png; do tesseract "$f" "${f%.png}" -l eng; done

提升 OCR 准确率的技巧

图像质量

• 分辨率。至少 300 DPI。150 DPI 时小号文字（10pt 以下）识别不可靠。
• 对比度。白底黑字效果最好。浅色文字、彩色背景和水印都降低准确率。
• 清晰度。模糊图像效果很差。尽量使用平板扫描仪。

文档准备

• 矫正倾斜。即使 2-3 度的倾斜也显著影响准确率。可先 旋转页面。
• 去除边框和瑕疵。 裁剪文档 去除扫描仪边框、黑边和装订阴影。
• 选择正确的语言。始终指定文档的主要语言。混合语言文档使用组合模式。

常见 OCR 挑战

手写体

标准 OCR 引擎针对印刷体训练，手写识别效果较差。手写文档需要使用 专门的服务（Google Cloud Vision、Amazon Textract）。

表格和表单

OCR 引擎识别文字但不识别表格结构。扫描的表格可能输出为排列混乱的文字。

多栏排版

报纸、学术论文和杂志常用多栏排版。OCR 引擎可能横跨栏目阅读而非纵向 阅读，导致输出混乱。

低质量传真和复印件

多次传真或复印的文件累积噪声、丢失对比度。这类文档需要先做对比度增强 和去噪处理。

OCR vs 文本提取：重要区别

不是所有 PDF 都需要 OCR。有两种 PDF：

• 数字 PDF——从 Word、Excel 导出。文字已嵌入，可直接选择。 使用 PDF 文本提取工具——更快、100% 准确。
• 扫描件 PDF——扫描纸质文件生成。每页是图像，需要 OCR。

判断方法：打开 PDF 尝试用光标选中文字。能高亮单个词 → 数字 PDF； 点击拖拽选中整页 → 扫描件 PDF。

OCR 之后的步骤

• 校对输出。常见错误包括混淆相似字符（l/1、O/0、rn/m）和丢失标点。
• 提取的文字可以用 文本转 PDF 工具 重新排版。
• 保留带文本层的可搜索版本作为主要存档。
• 扫描件 PDF 体积较大，可以 压缩 PDF。