扫描件OCR:把识别率提上去,把校对量降下来

合同扫描件里要改一个字,报表要重新排版,二十年前的纸质档案要电子化。起点都是同一个动作:OCR,把图片里的文字认出来,变成能编辑、能搜索的文本。

OCR 的识别率跟材料质量强相关。花五分钟做预处理,往往能省掉识别后五十分钟的纠错。

先判断你的材料适不适合

材料中文识别率预期说明
激光打印件扫描,300 DPI95–99%OCR 的理想输入,几乎可用
激光打印件,150–200 DPI90–96%可用,少量错字
手机拍照,光线好不倾斜85–95%要校对
手机拍照,有阴影、倾斜、反光60–85%建议先修图
工整的手写印刷体70–90%错字多,只能当草稿
潦草连笔60% 以下别 OCR 了,人工录入更划算
合并单元格多的表格结构还原差文字能认出,表格得手动重建

一个快速预判:放大到 200% 看,连你自己都得眯着眼猜的字,OCR 只会猜得比你更差。

识别前的四个预处理动作

纠偏。页面歪超过 5° 识别率就明显往下掉,先用 旋转工具 转正。

去噪、二值化。纸纹、噪点、底灰都会让识别器分心。灰度化再转黑白,对打印件效果立竿见影,二值化工具 就是干这个的。

提分辨率。72–100 DPI 的图直接识别纯属浪费,先放大处理,目标 150 DPI 以上。有损失,但可接受。

裁边。装订孔、页码、表格外面的杂点都是干扰,裁掉。

彩色文件要注意:内容以彩色图表为主的话,直接二值化会丢信息,留灰度识别,图表部分单独截图另存。

识别结果要哪种形态

OCR 的输出一般三种,按用途挑:

形态里面有什么什么时候用
纯文本(TXT / MD)只有文字,没排版提取内容检索、喂给翻译或 AI、二次编辑
可搜索 PDF原图加隐藏文字层档案电子化,版面要原样但得能搜到
可编辑文档(Word / HTML)重建的文字加基础排版要在这基础上继续改

OCR 工具 支持可编辑文档和纯文本。档案电子化选可搜索 PDF,版面零损失还能全文检索;要改内容就选可编辑文档。

可搜索 PDF 生成后,在阅读器里按 Ctrl+F 搜一个肯定存在的词。搜得到说明文字层正常;能看到字却搜不到,是文字层位置偏了,不影响阅读,影响检索精度。

校对时重点盯这四类错

材料再好也要校对。

形近字:己/已/巳、日/曰、未/末、0/O、1/l。合同金额、日期、编号逐字对。

标点:中文标点的识别率低于文字本身,长句的逗号经常丢。

跨页断句:一段话跨页时,两页接缝处容易断错。

页眉页脚混进正文:每页页码、文件编号会跑进正文流,批量处理时统一删。

一个比逐行读更快的办法:朗读加快速扫视。眼睛扫,耳朵听节奏,读着拗口的地方基本就是错字。另外数字和专有名词单独过一遍,金额、日期、人名、公司名,这些地方出错的代价最大。

一千页旧档案的流水线

扫描或拍摄:300 DPI、灰度、自动纠偏;手机拍就用带文档模式的 App,能自动透视矫正、去阴影。

合并成卷:按案件或年份,合成若干 100–200 页的 PDF,用 合并工具。

批量预处理:纠偏、二值化。

OCR:按卷识别,输出可搜索 PDF 和纯文本各一份。

抽样校对:不必逐页,每卷抽 5–10% 核对,错字率超过 5% 的整卷重校。

归档命名:卷号-主题-年份.pdf,纯文本版存 .txt 备查。


OCR 是「识别」,不是「读取」。输出永远要校对,识别率永远跟输入质量成正比。与其识别完一遍遍改错字,不如把时间花在纠偏、二值化、裁边上,这几步做到位,校对量能减一半。

发表评论