跳转到内容
PDFLean文档
升级 Pro

OCR 识别不准怎么办？扫描质量、清理顺序与文字层验收

你给扫描件跑了 OCR，出来的文字层却是错的：名字拼错、数字对调、整段读成看似通顺的乱码。直觉是「引擎不准」。实际上引擎读到的正是图像里有的东西，需要先修的是图像。本指南覆盖产生绝大多数 OCR 错误的扫描缺陷、正确的清理顺序，以及判断结果可不可靠的验收方法。

OCR 识别不准是怎么回事？

Section titled “OCR 识别不准是怎么回事？”

**OCR 错误几乎总能追到图像上，而不是引擎上：分辨率太低、页面倾斜、阴影与纸张泛黄、有东西压在文字上、以及语言识别假设错误，这五项是几乎所有坏结果的原因。**先修图像，再跑 OCR，再验收——按这个顺序。同一份坏扫描件重跑 OCR，每次得到的都是同一份坏文字。

文字层里看到什么图像里的缺陷先修哪里
rn 读成 m，数字之间互相混淆分辨率太低按真正的扫描分辨率重新采集这一页
两段的行交错混在一起页面倾斜或旋转先用旋转工具摆正，再走纠斜
整行或整段带状缺失横跨页面的阴影带跑一次扫描增强
纸张泛黄发灰处字符丢失背景对比度低扫描增强，它负责展平背景
只有印章或边框压住的地方文字坏了内容压住了字形裁掉边框，印章覆盖区按不可恢复对待
非拉丁文字读出自信的 nonsense语言识别假设错误确认文档语言，核对运行时的设置

有哪些可能原因？

Section titled “有哪些可能原因？”
  • **分辨率太低。**一页拍的分辨率远低于正常扫描标准时，每个字符的像素数不够任何引擎区分类似字形——rn 变成 m、3 变成 8、cl 变成 d。常见来源是手机隔距离拍照。举个可操作的例子：多数扫描指引对文字类文档建议的分辨率是 300 DPI，而只有一半分辨率时，无论哪个引擎可恢复的空间都有限。真实例子：一份拍照的两页合同，出来的文字层里每一对 rn 都读成 m——引擎不是在瞎猜，它解析的是真正含糊的像素。
  • **页面倾斜或旋转。**页面哪怕只歪几度，行检测就会失效：阅读顺序断开、分栏并成一片、文字层把两段的行混在一起。常见来源是扫描时进纸歪了，或者单手拿手机拍照。
  • **阴影、光照不均与纸张泛黄。**横跨页面的阴影带，在二值化后变成一条黑带，压在下面的行整行报废。发黄或发灰的纸底降低了对比度，二值化这一步就没法干净地把字形从背景里分出来。
  • **有内容接触或压住文字。**红印章盖在文字上、下划线、表格边框与字形笔画糊在一起、纸边的装订孔，都会弄脏引擎读到的字符形状。
  • **语言或字符集不对。**OCR 依赖语言模型运行；用错语言会读出自信的 nonsense，中英混排的文档尤其明显。

具体怎么修复？

Section titled “具体怎么修复？”
  1. **看源页面本身，而不是文字层。**用PDF 转图片把可疑页转成图片，放大了看。分辨率低、倾斜、阴影、印章压字这些问题一眼可见——这一眼就能告诉你上面哪个原因是你正在对付的那个。文档长的话，查第一页、最后一页和中间一页：物理采集的缺陷分布不均，第一页干净不代表中间页也干净。
  2. **先把页面摆正。**页面旋转了，先用旋转指定页面摆正。如果只歪了几度，下一步的增强工具在处理中自带纠斜。
  3. 跑一次扫描增强。扫描增强做自适应局部二值化、去除不均阴影、展平泛黄纸面、锐化字迹，并保留彩色印章——全部在浏览器内。这一步同时解决阴影、背景与对比度三个原因，通常也是准确率提升最大的一步。如果扫描仪玻璃留下的黑边或装订孔还在，用裁剪 PDF 页面裁掉。要在 OCR 之前做，不是之后：给已经带文字层的文件做增强改善不了文字层，因为文字层是从未增强的图像上建出来的。
  4. **跑 OCR。**用OCR 识别 PDF：本地 WASM 引擎、不上传、免账号，输出为双层 PDF——在原始页面图像上覆一层透明文字层，搜索与复制都能用，而页面外观保持原样。
  5. **依赖结果之前先验收文字层。**用查询 PDF 文字层——它逐页报告哪些页有文字层，某页被悄悄跳过会立刻现形。然后在查看 PDF里搜三个姓名、三个数字和文档里一个不常见的词，确认各自落在正确的页上。整库的深度验收方法见让 PDF 可搜索。
  6. **只重跑仍然不对的那几页。**二十页文字层准确、三页不对，就修那三页的原因——通常是分辨率或阴影——然后对受影响的那几页重跑，而不是整个文件。全跑一遍浪费的只是时间；对仍然坏的页重跑，浪费的是结果。

以后怎么预防？

Section titled “以后怎么预防？”
  • **按真正的扫描分辨率采集。**文字类文档能扫描就别拍照——一张平整均匀、分辨率到位的扫描件，是 OCR 准确率最关键的单一预测因素。
  • **扫平、玻璃干净、纸放正。**多数倾斜与阴影缺陷产生在物理采集这一步，采集干净了根本不会进文件。
  • **OCR 前先增强一次。**增强这一步只多一个动作，就能解决的阴影与背景问题是引擎自己处理不了的。
  • **验收文字层，别默认它没问题。**逐页查文字层只要几秒钟，能抓住最阴险的失败模式——某几页被 OCR 静默跳过。
  • **需要 OCR 的流程里别放手写内容。**手写批注与签名不是稳定的机读字形序列；把它们当图像对待，工作流绕开这一点来设计，而不是心存侥幸。

常见问题

Section titled “常见问题”

**OCR 在哪里跑——我的扫描件会被上传吗？**不会。OCR 识别 PDF 用的是浏览器标签页内的 WASM 引擎，扫描件不离开你的设备，也不需要账号。

**为什么有的页识别得比别的页差？**因为同一次采集里缺陷分布不均。卷起的纸角留下的阴影、角度不同的进纸、或玻璃上的指纹，污染的正是它们碰到的那些页。逐页的文字层检查，就是让这种不均可见的那一步。

**OCR 能读手写吗？**不稳定。OCR 解析的是印刷字形；手写因人而异太大，无法通用解析。如果一份文档主体是手写的，诚实路径是人工转录，本站的 PDF 工具继续负责它外围的结构处理。

**为什么输出里的文字层是隐形的？**双层设计在原始页面图像上覆一层透明文字层，搜索、选择、复制都能用，而页面看起来仍然与扫描件一模一样。如果你要的是一份看起来正常的文字文档而不是扫描件，按转换结果不对怎么办里的转换路径走。

**清理之后 OCR 文字还是错的，怎么办？**剩下的原因是分辨率：源采集的像素不够，任何引擎都恢复不了字符。重新正经采集这一页——这个修复在任何工具的上游。

本活用到的工具

Section titled “本活用到的工具”

全部浏览器内、全部免费、无需账号：OCR 识别 PDF、扫描增强、查询 PDF 文字层、PDF 转图片、旋转指定页面、裁剪 PDF 页面、查看 PDF、扫描成 PDF。

深入阅读

Section titled “深入阅读”