最新

扫描仪怎么把纸质文档扫描成可搜索的 PDF

扫成 PDF 不等于能搜索。讲清分辨率、识别语言和 OCR 选项怎么选,以及怎么用搜索和复制确认文字层真的存在。

把纸塞进扫描仪、存成 PDF,文件看上去和原件一模一样,但里面的字其实是一张图:搜不到、选不中、也复制不出来。所谓可搜索 PDF,是在图像上再压一层文字层,让每一页既保留原样外观,又能按文字检索。

入口在哪

三处地方能开这个功能:扫描仪厂商自带的扫描软件,通常在输出格式那一栏里带文字识别、OCR、可搜索 PDF 之类的选项;系统和第三方 PDF 工具的扫描入口,有的在扫描时就处理,有的在生成 PDF 之后再补文字层;手机上的扫描类应用,多数默认就会做识别。

各家把这个功能叫法不一样,有的写 OCR,有的写文字识别、可搜索、识别文本,有的只是一个勾选框。在软件设置里搜这几个词最快。

具体步骤

  1. 先把纸准备好。拆掉订书钉和回形针,抚平折角,纸张边缘贴紧挡板;用送纸器时一次少放几张,斜着进去的页面识别率会明显下降。
  2. 定分辨率。正文文档按 300 dpi 扫,最低别低于 200 dpi;字特别小或纸张发黄时提到 400 dpi。分辨率太低,横竖笔画会糊成一片,识别出来的字自然容易错。
  3. 定色彩。纯文字稿用灰度或黑白,体积小、对比度高,识别更稳;有彩色印章、照片或表格底色的用彩色,但别再打开过度压缩。
  4. 输出格式选 PDF,并勾上可搜索或 OCR 那个选框。软件里没有这个选项时,就先扫成 PDF 或图片,再导入带识别的 PDF 工具补文字层,效果一样,只是多一步。
  5. 选对识别语言。中文文档选简体,繁体或中英文混排的,确认语言包都装上。语言选错,结果会变成一堆形近字。
  6. 打开矫正选项。自动纠偏、自动裁边、去除空白页、去噪点,这几项能省掉大量后期整理。
  7. 按页码顺序合并成一个文件,再统一命名。扫描时按顺序走纸,合并时才不会出现页码乱序。

几个坑

  • 以为存成 PDF 就有文字层。格式是 PDF 不等于能搜索,得确认软件真的做了识别。
  • 为了压体积把 300 dpi 降到 150 dpi。看起来还能看,识别出来的数字和编号却错得很隐蔽。
  • 分辨率拉得过高。600 dpi 以上的彩色扫描,单页体积轻松到几十兆,几百页的档案根本传不动,收益却很小。
  • 扫描时开了强压缩。低质量的图像压缩会把笔画边缘糊掉,等于让识别去认一张糊图。
  • 双面文档只扫了一面。送纸器要选双面模式,否则偶数页全丢,合并后才发现少一半。
  • 手写体和密线表格。印刷体识别率高,手写批注和带框线的表格容易错行,重要文件必须逐页核对。

怎么验证

用阅读器打开 PDF,按搜索键输入正文里一个不常见的词,能高亮跳转说明文字层在。再框选一段文字复制到记事本,能粘贴出文字同样说明有文字层。反过来,如果选中后只能框住整页图片,那就是纯图片 PDF。

抽查识别质量时重点看三类内容:数字、英文型号和形近字。把原件和 PDF 并排,随机挑三页逐行对照,错的字会集中出现在盖章处、装订孔附近和倾斜的页面上。最后核对文件体积和页数,页数对不上说明有漏扫或重复。

常见问题

手机拍的照片能做成可搜索 PDF 吗

可以。用带文字识别的扫描应用,拍完直接导出可搜索 PDF。关键是拍摄时正对纸面、光线均匀,避开阴影和大角度倾斜,否则识别率会掉得很快。

已经扫成图片的 PDF 还能补救吗

能。把 PDF 导入带识别的工具重新处理一遍,输出时保留原页面外观,文字层会叠加在原来的图像上,不用重新扫描。

可搜索 PDF 体积太大怎么办

先降图像分辨率,再考虑把彩色改成灰度,最后才压缩图像。正文文档 300 dpi 通常够用,压缩过度会让下次校对变得更难。

一句话总结:可搜索 PDF 的关键是图像加文字层,扫描时选对分辨率、语言和识别选项,交付前用搜索和复制两招确认文字层真的存在。