OCR 詳解：一份掃描的 PDF 如何變成可搜尋的文字

一份掃描的文件——不管來自一台真正的掃描器還是僅僅一支手機相機——在電腦看來就是一張照片。Ctrl+F 什麼也找不到，因為那裡沒有文字可找，只有一些在讀它的人看來碰巧像字母的像素。

OCR 實際在做什麼

光學字元辨識分析頁面上的形狀，預測它們代表哪些字元，然後把那段預測出的文字作為一個看不見、可選取的圖層，正好疊在原圖上方。視覺上什麼都沒變——你看到的還是同一張掃描件。功能上，頁面現在背後有了真正的文字，瀏覽器或 PDF 閱讀器可以搜尋、選取和複製。

為什麼這裡的 OCR 完全在你的瀏覽器中執行

OCR PDF 使用 Tesseract.js，這是開源 OCR 引擎 Tesseract 的 WebAssembly 建置，作為 Web Worker 執行，以免在工作時凍結頁面。辨識本身在你的裝置上進行——掃描件不會被送到任何地方去讀取。

什麼會影響準確率

• 掃描品質——一張清晰、光線好、端正的掃描件，辨識得遠比一張模糊或嚴重傾斜的手機照片準確。
• 手寫——Tesseract 和大多數 OCR 引擎一樣，是為印刷文字打造的；手寫辨識是另一個、可靠性差得多的問題。
• 不尋常的字型或強烈的風格化——裝飾性字體或低對比文字會降低準確率，就像它們會讓一個快速瀏覽的人為難一樣。