先判断:这份文件值得识别吗

OCR 适合需要检索、摘录、翻译或再编辑的材料;只为了存档看一眼的扫描件,识别反而增加体积与时间。

材料是否值得 OCR原因
合同/协议值得需要搜条款、摘录义务
发票/报销单值得提取金额、税号、日期
书页/资料按需整本识别耗时,先做目录与关键章节
手写笔记谨慎识别率低,校对成本可能高于重打
纯图片海报通常不必文字是设计元素,提取价值有限

预处理:清晰度比算法更重要

识别引擎对"对比度、倾斜、分辨率"最敏感。先把扫描件转正、裁掉黑边、提高对比度,再送进 OCR,比换更贵的工具有效。

  • 分辨率 200–300dpi 最佳;过低会糊,过高只是变慢。
  • 倾斜超过 1–2 度就会明显掉字,先纠偏。
  • 双栏排版先按栏切开,否则会串行。
  • 表格优先识别为表格,不要先转纯文本。
省事:同一批材料用同一套预处理参数,先拿 2 页试样看识别率,再跑全量。

识别后必须校对的三类错

OCR 的错误高度集中在数字、专有名词与形近字。校对时优先看这三类,比逐字读快得多。

  • 数字:金额、日期、编号、税号——错一位就是事故。
  • 专有名词:公司名、人名、产品型号。
  • 形近字:0/O、1/l、已/己、未/末、签署/签暑。
原文常见误识检查方式
¥12,800.00¥12,8OO.OO搜字母 O 与全角符号
2026-11-212O26-1l-21正则校验日期格式
甲方(盖章)甲方(盖章)括号全半角混用
签订日期签定日期关键词比对原件

导出:可搜索 PDF 还是纯文本

要保留原版式与签字,导出"可搜索 PDF"(图像 + 隐藏文字层);要再编辑或入库,导出 DOCX/TXT 更实用。两者都有用时,先出可搜索 PDF 存档,再出文本副本处理。

  • 可搜索 PDF 体积略增,但能全文检索与复制。
  • 转 DOCX 后版式会走形,别指望和原件一样。
  • 表格类材料优先导出 XLSX/CSV,避免列错位。

隐私与合规提醒

OCR 常需要把文件送到服务端。含身份证号、银行账号、病历、合同金额的材料,优先用本地识别或已明确数据条款的工具,并在用完后删除云端副本。

  • 识别前先脱敏,涂黑无关字段。
  • 确认服务是否会留存文件与识别结果。
  • 对外发送时用可搜索 PDF,而不是带识别缓存的工程文件。