如何使用 OCR 技術，直接在瀏覽器中從圖片或掃描的 PDF 檔案中提取文字
由 FileTinker 團隊撰寫閱讀時間 7 分鐘
您手邊有一份文件的照片、螢幕截圖或掃描的 PDF 檔案，您需要將其中的文字轉換成實際的文字，以便進行編輯、搜尋或複製到其他地方。這項工作稱為 OCR（光學字元辨識），而且您不再需要使用桌面軟體或上傳檔案到網站來完成：現代瀏覽器可以直接在本地執行完整的 OCR 引擎。但 OCR 並非魔法。在清晰的掃描文件中，它幾乎可以正確辨識所有字元；但在模糊的手機照片中，它會產生錯誤的結果，而差異幾乎完全取決於您提供的輸入內容。本指南將解釋 OCR 實際上是做什麼、如何判斷您是否根本不需要使用它、哪些因素會影響其效果、為什麼語言設定比人們想像的更重要，以及瀏覽器內建工具究竟會傳輸哪些資料到網路。
OCR 在一行內完成：輸入像素，輸出辨識結果。
掃描後的頁面不包含任何文字。對電腦而言，它只是一組由彩色像素組成的網格，就像一張海灘的照片一樣。OCR（光學字元辨識）是一種軟體，它會掃描這個網格，找出看起來像字母的形狀，然後輸出它認為最有可能的文字。這裡的「猜測」一詞很重要：這個引擎會將像素模式與它所學習到的印刷文字的外觀進行比對，因此輸出的結果是一種統計重建，而不是單純的複製。
這就是為什麼同樣的工具，在處理某個檔案時可能表現得近乎完美，但在處理另一個檔案時卻毫無用處。如果提供的是平整、清晰、對比度高的印刷文字掃描圖，那麼優秀的 OCR 引擎就能夠準確地識別文字，偶爾出現錯誤而已。但如果提供的是傾斜、模糊的智慧型手機拍攝的小字照片，那麼整個流程的每個環節都會出現問題：它會錯誤地識別出不存在的行，將字元錯誤地分割，並自信地輸出錯誤的字母。因此，應將 OCR 的輸出視為一份需要校對的草稿，而不是視為絕對正確的結果，尤其是在處理數字時。
首先，確認您是否真的需要使用 OCR 技術。
PDF 檔案有兩種，而且在螢幕上看起來幾乎一模一樣。一種是「原生數位」PDF，也就是從 Word、Google 文件或網站匯出的檔案，它會將文字儲存為字元。您可以在任何 PDF 檢視器中開啟它，然後使用滑鼠游標選取文字、搜尋文字，並複製文字。這樣複製的文字是即時且 100% 精確的，任何 OCR 軟體都無法達到這種效果。另一種是「掃描」PDF，與之不同：每一頁都是紙張的照片，其中沒有可以選取的字元。
因此，在您對 PDF 檔案進行 OCR 處理之前，請嘗試選取其中的一個字詞或搜尋特定的字詞。如果這樣做有效，只需直接複製文字，然後完全跳過 OCR 處理。對原本就是數位化的 PDF 檔案進行 OCR 處理，實際上是將原本清晰的文字轉換成圖像，然後再嘗試將圖像中的文字還原，這會比較慢，而且準確度也遠低於原本就存在的文字。OCR 適用於選取功能失效的情況：例如掃描文件、傳真、紙本照片和螢幕截圖。
是什麼因素讓光學字元辨識（OCR）技術能夠準確運作，又有哪些因素會悄悄地影響其準確性？
OCR 引擎是透過乾淨的印刷文字進行訓練，因此，當影像偏離理想狀態時，其準確度就會降低：理想狀態指的是平整的頁面、清晰的對焦、深色文字搭配淺色背景，以及使用標準字體。其中，最重要的因素是解析度。長期以來，一個常用的經驗法則就是以 300 DPI 的解析度進行掃描，這對於照片或螢幕截圖而言，大致相當於字母的高度為 20 像素或更多。如果低於這個數值，用於區分「8」和「B」，或「e」和「c」的筆畫寬度可能只有一兩個像素，而引擎所需的資訊根本無法從影像中取得。事後再將低解析度的影像進行放大，也無法恢復其品質。
了解常見的危險因素非常重要，因為在它們出現時，我們可以採取措施加以避免：
- 模糊和相機晃動：柔和的邊緣會使字母的形狀變得模糊不清。
- 傾斜：以傾斜角度拍攝或掃描的文字會導致無法正確偵測文字行。
- 極小的文字：小尺寸使用者介面文字或細字體，皆歸類於約 20 像素的門檻之下。
- 對比度低：例如，在灰色背景上顯示灰色文字，或將文字疊加在照片或彩色背景上。
- 強光和陰影：在照片中，如果你的影子橫跨畫面，可能會導致整個區域的細節都消失。
- 手寫字：標準的 OCR 引擎是為印刷文字設計的；潦草的筆跡會被視為雜訊。
- 裝飾字體：過度風格化或高度壓縮的字體，與訓練資料的差異過大。
- 複雜的版面配置：多欄頁面和表格可能會導致閱讀順序混亂。
如何取得一份原始資料，以便 OCR 軟體能夠正確辨識？
在掃描時花費五分鐘進行調整，就能省下三十分鐘的後續修正時間。如果您有掃描器，請以 300 DPI 的解析度掃描文字文件；使用灰階即可，而且掃描出的檔案會比彩色檔案小。如果您使用手機掃描，請將文件放在平坦的表面上，並確保光線均勻；將相機直接置於文件上方，而不是以傾斜的角度拍攝；讓文件完全填滿畫面，並確保自己的陰影不會遮擋文字。在拍攝前，請點擊螢幕以對焦文字。
接著進行裁切。如果想要擷取的文字與表格邊緣、手部或雜亂的背景重疊，請在執行 OCR 之前，將影像裁切至僅包含文字區域。畫面中其他部分的所有內容，都可能被引擎誤認為是文字。上述的每個步驟都直接對應到上述的某一種錯誤模式：解析度、傾斜度、對比度和雜亂程度。
語言：人們通常會忽略的設定。
OCR 引擎會針對每種語言使用不同的訓練模型，因為該模型會同時編碼字母的形狀以及語言的統計資訊，也就是哪些字元序列構成合理的單字。如果選擇了錯誤的語言，結果不僅會稍微變差，而是會產生一堆亂碼：例如，一個用於處理英文的 OCR 模型，如果處理的是中文文字，就會忠實地輸出與中文筆畫最相似的拉丁字母。如果您的 OCR 輸出結果看起來像是隨機字元，那麼首先應該檢查語言設定，然後再考慮是否是影像品質的問題。
FileTinker 的 OCR 功能支援 17 種語言：英語、繁體中文和簡體中文、法語、德語、西班牙語、義大利語、葡萄牙語、荷蘭語、俄語、日語、韓語、阿拉伯語、印地語、波蘭語、土耳其語和越南語。此外，還提供一種結合的「英語 + 中文」模式，適用於確實混合使用這兩種語言的文件，這在台灣和香港的收據和表格中很常見。每種語言的資料僅在您第一次使用時才會下載。請僅將結合模式用於確實混合語言的頁面：在單一語言的頁面上同時提供兩種字母給引擎處理，只會增加出錯的可能性。
瀏覽器內建的 OCR 工具實際上會如何處理您的檔案？
FileTinker 的「圖片轉文字」工具會在瀏覽器分頁中的工作程序中執行開源的 Tesseract 引擎，該引擎已編譯為 WebAssembly。您可以選擇一種語言，上傳檔案，然後觀看進度條，同時它會進行文字辨識。它支援常見的圖片格式，包括 JPG、PNG、WebP 等，以及 PDF 檔案。圖片會直接傳送到引擎進行處理。
掃描後的 PDF 檔案會多出一道步驟：該工具會先使用 pdf.js 將每一頁轉換成解析度為原始解析度的兩倍的影像，然後再逐頁將這些影像傳送給引擎，並顯示「第 2 頁，共 5 頁」之類的進度指示。系統會將辨識出的頁面合併，並在它們之間插入一條空白線，形成一個完整的結果。請注意，這會對所有 PDF 檔案都進行處理，包括原本就是數位格式的檔案，這也是為什麼先前建議先進行「選取與複製」檢查的原因。
結果會顯示在一個可編輯的文字方塊中，因此您可以立即修正辨識錯誤，然後將其複製或下載為 .txt 檔案。如果引擎找不到任何內容，它會直接顯示，而不是編造文字。如果您需要將清理後的文字再次轉換為文件，FileTinker 的文字轉 PDF 工具會將 .txt 檔案轉換為真正的、可選取的文字 PDF 檔案，這通常是掃描的目的。
關於隱私權的詳細條款，以簡潔明瞭的方式說明。
在您的瀏覽器中執行」這句話在這裡是正確的，但它並非意味著「完全沒有網路活動」，因此有必要明確說明其中的差異。您的圖片或 PDF 檔案從未被上傳：它們完全在您自己的電腦上進行解碼、渲染和識別，沒有任何伺服器會接收這些檔案。透過網路傳輸的只有軟體。首次使用時，該工具會下載 OCR 引擎（包括工作程式及其來自 jsDelivr CDN 的 WebAssembly 核心），以及您選擇的語言的訓練資料（來自標準 Tesseract 資料主機）。這是一個一次性的下載過程——引擎約需幾 MB，再加上語言模型，其大小從幾 MB（英文）到數十 MB（例如中文或日文）不等——您的瀏覽器會將其快取，因此後續的執行速度會更快。
簡而言之：程式碼會下載到您的電腦上，但您的檔案永遠不會上傳到雲端。這種區別使得在瀏覽器中進行 OCR 處理對於處理敏感資料（例如合約、身分證件和醫療證明）來說是合理的，因為您想要避免將文件本身傳送到陌生人的伺服器上。網路觀察者可能會發現您下載了 OCR 軟體，但他們無法看到您在哪個裝置上執行了該軟體。
整理 OCR 軟體所產生的結果。
即使是個不錯的結果，也需要通過。OCR（光學字元辨識）技術經常會出現以下問題：小寫字母「l」、數字「1」和大小寫字母「I」；字母「O」和數字「0」；以及「rn」被誤讀為「m」。請務必仔細校對數字，因為電話號碼或發票總額中的一個錯誤數字，很可能既不易察覺，而且拼寫檢查也無法發現。結構上的小瑕疵也很常見：您可能會發現，每一行印刷文字的結尾都會出現換行，而不是每段文字的結尾，而且跨越多行的單字也會保持斷開的狀態。
由於輸出框是可以編輯的，所以在複製或下載之前，請先進行必要的整理。對於單頁信件，這只需要一分鐘。這短短的一分鐘，再加上良好的掃描品質，就能讓光學字元辨識（OCR）從一種有趣的技術，轉變為將紙本文件快速轉換為可實際使用的數位文件的最佳方法。