扫描版PDF为什么无法搜索

文件里没有文字

PDF可以存放两种完全不同、但在屏幕上看起来一模一样的内容。从Word导出的文档存放的是文本——真正的字符，每个字符都有位置和字体——所以您才能选中一句话、搜索一个名字、复制一段文字。扫描文档存放的则是一页纸的照片。里面除了像素什么都没有，就像一张路牌照片里除了像素什么都没有一样。

所有现象都源于这一个事实。搜索找不到任何内容，因为没有可匹配的东西。选中文字不起作用，因为没有文字可选——光标只会在图片上画出一个矩形。复制什么也得不到。文件相对页数来说很大，因为图片很占空间，文字却不占。把它转换为Word，得到的要么是空白文档，要么是贴在文档里的一张图片。

快速测试：用鼠标试着选中一个词。如果出现文本光标并且词被高亮，说明是真正的文字；如果出现的是一个框，那就是图片。

OCR究竟添加了什么

光学字符识别（OCR）会读取图片中的形状，判断它们是哪些字母。真正有用的是接下来的一步：识别出的文字会作为不可见文本写回PDF，覆盖在图片中对应文字的位置上。页面看起来和原来一模一样，因为视觉上什么都没变——但现在它可以被搜索、选中、复制和建立索引了。

这是一种刻意保守的设计，对文档来说也是正确的设计。没有任何内容被重新排版，所以合同看起来仍是签署时的那份合同，原始扫描图依然是视觉上的记录。PDF文字识别（OCR）一次就能完成这些，而且通常还会把页面摆正、旋转到正确方向，因为识别本来就需要这样做。

如果您想要的是可编辑的文档，而不是可搜索的文档，那就是另一项难得多的工作：需要提取文字、推断版式，再把结果重建为段落和表格。PDF转Word可以做到这一点，但其结果总是需要检查，而文字层则不需要。

决定一切的设置：300 DPI

识别准确率更多取决于扫描质量，而不是软件，其中最重要的一个数字是分辨率。300 DPI是标准，而且并非随意定的——它让普通正文的字高达到大约30个像素，足以区分形状相近的字母，而且绰绰有余。

在150 DPI下，准确率会明显下降，而且错误都很隐蔽：1被读成l，5被读成S，rn被读成m。再往下，效果会迅速变差。高于300 DPI很少有帮助，反而会让文件大很多——只有在字特别小或原件质量很差时，600 DPI才值得。

另外三项采集设置几乎同样重要。用灰度而不是黑白，因为硬性二值化会毁掉字母的细笔画。纸张平整并正对镜头，因为斜着拍的页面上，字母的形状会随位置变化。还有光照均匀——最典型的失败是从上方拍摄时，您自己的影子落在了页面上。

哪些内容OCR都无法识别

如实说明这一点能省下大量时间。通用OCR无法识别连笔手写，原因在于结构，而不在于努力程度：识别印刷体靠的是找出字母之间的边界，而连笔字没有边界。手写的印刷体字母、大写字母和表格方框里的字通常识别效果不错，因为它们是彼此之间有间隙的独立形状。

作为照片一部分的文字——招牌上、商品上、杂乱背景上的字——比纸上的文字难识别得多，高度风格化或装饰性的字体更难。复印件的复印件会丢失区分字母的细笔画。盖过章、写过批注或用荧光笔标记过的文档，在这些痕迹与文字重叠的地方识别效果都会变差。

好的工具会告诉您它的置信度，这个数字就是用来参考的。在一个能根据上下文读懂的句子中间出现低置信度，远不如账号中某个数字置信度低来得要紧。危险的错误恰恰是那些置信度高的错误，因为没有任何东西会标记出它们。

为什么这不只是方便与否的问题

没有文字层的扫描档案，实际上等于丢失了。什么都无法搜索它，什么都无法为它建立索引，任何合规系统都无法在其中找到一个名字，任何屏幕阅读器都无法朗读它——在许多司法管辖区，这使得发布此类文件成为一个法律问题，而不只是不方便。

这也是为什么值得坚持第一次就用正确的设置扫描。重新扫描一箱文件的成本远高于一次扫描到位，而任何后期处理都无法找回当初没有采集到的细节。