PDF OCR Extraction

PDF OCR 提取

使用 OCR 技术从扫描文档和基于图像的 PDF 中提取文本。

概述

此技能可帮助你：

• 从扫描文档中提取文本
• 使图像 PDF 可搜索
• 将纸质文档数字化
• 处理手写文本（能力有限）
• 批量处理多个文档

使用方法

基本 OCR

"Extract text from this scanned PDF"
"OCR this document image"
"Make this PDF searchable"

使用选项

"Extract text from pages 1-10, English language"
"OCR this document, preserve layout"
"Extract and output as structured data"

文档类型

不同文档类型的 OCR 质量

文档类型	预期质量	提示
打字文档	⭐⭐⭐⭐⭐ 95%+	效果最佳
印刷书籍	⭐⭐⭐⭐ 90%+	注意纸张老化
表单	⭐⭐⭐⭐ 85%+	复选框可能需要手动处理
表格/数据	⭐⭐⭐ 80%+	可能需要修复结构
手写（工整）	⭐⭐ 60-80%	结果不一
手写（草书）	⭐ 30-60%	通常需要人工检查
混合内容	⭐⭐⭐ 75%+	取决于复杂程度

输出格式

纯文本提取

## OCR Result: [Document Name]

**Pages Processed**: [X]
**Language**: [Detected/Specified]
**Confidence**: [X]%

---

[Extracted text content here]

---

### Notes
- [Any issues or uncertainties]
- [Characters that may be incorrect]

结构化提取

## OCR Extraction: [Document Name]

### Document Info
| Field | Value |
|-------|-------|
| Title | [Extracted or inferred] |
| Date | [If found] |
| Author | [If found] |

### Content by Section

#### [Header 1]
[Content under this header]

#### [Header 2]
[Content under this header]

### Tables Found
| Column 1 | Column 2 | Column 3 |
|----------|----------|----------|
| [Data] | [Data] | [Data] |

### Uncertain Text
| Page | Original | Confidence | Possible |
|------|----------|------------|----------|
| 3 | "teh" | 70% | "the" |
| 5 | "l0ve" | 65% | "love" |

可搜索 PDF 输出

## OCR to Searchable PDF

**Source**: [filename.pdf]
**Output**: [filename_searchable.pdf]

### Processing Summary
| Metric | Value |
|--------|-------|
| Pages | [X] |
| Words extracted | [Y] |
| Average confidence | [Z]% |
| Processing time | [T] seconds |

### Quality Report
- [X] pages with 95%+ confidence
- [Y] pages with 80-94% confidence
- [Z] pages with <80% confidence (review recommended)

### Searchability
✅ Document is now text-searchable
✅ Original images preserved
✅ Text layer added behind images

预处理提示

图像质量检查清单

进行 OCR 前，请确保：

• 分辨率：至少 300 DPI（小号文本需 600 DPI）
• 对比度：白色背景上的黑色文本清晰可辨
• 对齐：文档摆放端正（无倾斜）
• 完整性：边缘没有被裁切
• 清洁度：没有污渍、痕迹或阴影

常见预处理步骤

问题	解决方案
分辨率低	先放大图像
倾斜/旋转	自动纠偏
对比度差	调整色阶/阈值
噪点/斑点	降噪
阴影	均匀照明
彩色文档	转换为灰度图

语言支持

支持的语言

• 优秀：英语、西班牙语、法语、德语、意大利语
• 良好：中文（简体/繁体）、日语、韩语
• 中等：阿拉伯语、希伯来语（支持 RTL）、印地语
• 基础：许多其他语言，质量不一

多语言文档

"OCR this document, detect language automatically"
"Extract text, primary: English, secondary: Chinese"

特定内容的处理

表单和复选框

## Form Extraction: [Form Name]

### Field Values
| Field | Value | Confidence |
|-------|-------|------------|
| Name | John Smith | 98% |
| Date | 01/15/2026 | 95% |
| Address | 123 Main St | 92% |

### Checkboxes
| Question | Checked |
|----------|---------|
| Option A | ☑️ Yes |
| Option B | ☐ No |
| Option C | ☑️ Yes |

### Signature
[Signature detected on page X - cannot extract text]

表格

## Table Extraction

### Table 1 (Page 2)
| Header A | Header B | Header C |
|----------|----------|----------|
| Value 1 | Value 2 | Value 3 |
| Value 4 | Value 5 | Value 6 |

**Table confidence**: 85%
**Note**: Column 3 may have alignment issues

手写文本

## Handwritten Text Extraction

**Legibility Assessment**: [Good/Fair/Poor]
**Recommended**: Manual review

### Extracted Text (Confidence: 65%)
[Extracted text with uncertain words marked]

### Uncertain Words
| Original | Best Guess | Alternatives |
|----------|------------|--------------|
| [image] | "meeting" | "meeting", "meaning" |
| [image] | "Tuesday" | "Tuesday", "Thursday" |

⚠️ **Low confidence extraction - please verify manually**

批量处理

批量 OCR 任务

## Batch OCR Processing

**Folder**: [Path]
**Total Documents**: [X]
**Status**: [In Progress/Complete]

### Results
| File | Pages | Confidence | Status |
|------|-------|------------|--------|
| doc1.pdf | 5 | 96% | ✅ Complete |
| doc2.pdf | 12 | 88% | ✅ Complete |
| doc3.pdf | 3 | 72% | ⚠️ Review |
| doc4.pdf | 8 | - | ❌ Failed |

### Issues
- doc3.pdf: Pages 2-3 have handwriting
- doc4.pdf: File corrupted

### Summary
- Successful: [X]
- Need Review: [Y]
- Failed: [Z]

工具推荐

云服务

• Google Cloud Vision（准确率极高）
• Amazon Textract（适用于表单）
• Azure Computer Vision（表现均衡）
• Adobe Acrobat（集成式）

桌面软件

• ABBYY FineReader（准确率最高）
• Adobe Acrobat Pro（可靠）
• Readiris（性价比高）
• Tesseract（免费、开源）

编程库

• pytesseract（Python + Tesseract）
• EasyOCR（Python，支持多语言）
• PaddleOCR（Python，适用于亚洲语言）

局限性

• 无法保证 100% 的准确率
• 手写文本的识别准确率较低
• 过小的文本可能无法良好提取
• 装饰性字体难以识别
• 背景图像会降低质量
• 无法读取复杂图形中的文本
• 页数越多，处理时间越长