跳至内容
Coverton 博客
在这篇文章中
PDF

从扫描版PDF中提取文字

PDF可能包含可选中的文字,也可能只是每页的图片。先确定想要的结果,再选择工具。

使用免费工具 →

先试着选中文字

在PDF阅读器中选中一句话或搜索关键词。扫描件可能需要OCR;即使能选中文字,复制后的顺序也可能不正确。

提取文字、搜索还是提取表格?

需要编辑文字时用OCR,需要搜索扫描页面时用可搜索PDF。表格可提取为CSV或XLSX,但不会自动还原扫描表格和合并单元格。

为什么TXT里只有字母和数字?

Base64表示的是图片数据,并不会识别图片中的文字。请改用OCR,并核对姓名、日期和金额。首次使用会下载识别引擎和语言文件。

处理前的准备

区分页面整理、内容提取和新文档生成

先确定需要改变页面组成、调整显示范围,还是获得可复制的文字。合并和移动页面不会重写文章;扫描图中的字即使可见,也未必能直接用于文本提取或比较。可在原文件中尝试搜索和复制,再选图片输出或文字输出。若从填写内容生成报价单、账单等新PDF,则先确认收件人、项目、币种和日期,而不是寻找输入PDF。根据实际任务阅读说明,不要把所有PDF工具都理解为需要先上传现成文档的编辑器。

把已签名原件与编辑副本分开保存。页面看起来没变,也可能在保存时改变原数字签名的验证状态或文档结构。表单、书签、注释和附件是否需要继续使用,应在开始前明确,并查看当前工具保留什么。固定已填写表单前,先在原查看器中保存值,再重新打开确认。值可见与字段仍能编辑是两件事。手写签名图片也不同于基于证书的数字签名;把图像放上页面,不等于验证了文档或签署人的真实性。

选择页面时,把封面和目录算入文件内的页序。纸面印刷页码可能与查看器中的位置不同,应先打开目标区间的起止页。多个输入文件按阅读顺序排列,删除、复制或插入的位置另外记录,便于与输出核对。不要假定没有页码范围选项的工具能只处理某个局部区间。重排后的内容即使完整,目录和页内链接也可能仍指向原有顺序;事先确定哪些导航信息必须继续有效,检查结果时就不会只看总页数。

涉及纸张尺寸、旋转或裁边,应先看最小页面与方向不同的页面。保持比例的缩放可能留白,拉伸可能使文字和圆形变形。输入单位必须按当前设置读取,不能把像素、点和毫米当成同一数值。裁边通常改变显示的页面框,框外内容不等于从文件中安全删除。若目标是实际移除个人信息,应区分隐藏与删除,不能用页面暂时看不到来证明清除完成。不同大小页面套用相同边距时,也要检查各页是否保留所需区域。

保存后核对页面边界、打印效果和文档功能

打开结果的第一页和最后一页,与预期页数比较。合并或拆分时,检查原文档相接处的前后页,确保说明、表格没有在不合适的位置断开。新增编号或空白页后,另外检查正文页码、目录和内部链接。页数相符不一定能发现漏页与多复制一页同时发生的情况,应把请求列表与实际内容逐项对应。生成多页业务文档时,也要看超出首屏预览的页面和每位收件人的完整文件,而不是只确认第一份看起来正确。

准备打印的文件要按实际输出方式检查。一张纸放多页会缩小文字,书册排版要以折叠后的阅读顺序为准。已排好版的PDF不要在打印窗口重复应用相同的多页或书册排列。先看打印预览中的边距、细表线和边缘页码,再试印必要部分。双面翻转方向和照片实际尺寸,应在纸上验证,不能仅从屏幕比例确定。页面尺寸报告也不负责测量实际打印结果;查看器里的页面方向应结合旋转信息来理解。

OCR和表格提取结果要对照原文读姓名、日期、金额和编号。能搜索到词语,不保证每个数字正确,也不代表表格行列或公式结构已经恢复。注释报告应与文件保存的注释比较,并区别于页面图片中的手写字。文本差异报告只检查所说明的文字范围,不能替代图片、布局和签名的比较。报告没有列出的问题仍可能属于未处理的范围;明确此次结果能证明什么、还要人工检查什么,再决定是否可用于后续提交。

打不开或无法保存时,先检查加密、损坏、所选页码和处理范围。图片输出或OCR是否能缩小到必要页段,要看对应工具的实际选项。压缩后没有变小,应检查内部图片类型及工具是否只处理某类图片,不要立刻认定设置失效。空表单、缺失书签或签名状态变化,通常不能靠重复点击来证明已经修复。回到原件核对结构和支持范围;若只是显示问题,也应把显示、文字层和交互功能分开检查,避免用一项正常代替全部正常。

选择正确的工具

输入示例说明了工作流程;他们不承诺特定的文件大小、识别准确性或兼容性。

将照片记录为 PDF

对齐倾斜文档的角可以使拍摄的页面更易于阅读。通过此校正保存的 PDF 仍包含图像,并且需要 OCR 来提取文本。

将四个角按顺时针顺序放置在文档周围,并确保边缘不交叉。选择输出宽度并在需要时启用额外的 PDF 导出。

示例

文档图片 + 四个角落 → 修正图像/PDF
  1. 添加文档照片并顺时针选择四个角。
  2. 设置输出宽度并选择是否也导出 PDF。
  3. 进行修正并检查边框和小字体。
  4. 下载校正后的图像和可选的 PDF。
要检查什么

角点是手动选择的。阴影和模糊的文本不会被恢复;如果您需要可编辑文本,请随后使用 OCR。

打开工具 →

图像和扫描的 PDF OCR

当文字无法复制时,OCR 可以从照片中提取文字。识别可能包含错误,因此在共享提取的文本之前,请将转录本与源文件进行比较。

韩语文档请选择“韩语+英语”。处理PDF时,先指定需要的页面范围,便于将识别文字与原文逐一核对。

示例

扫描页面图像 → 评论 OCR 文本
  1. 添加图像或 PDF 并选择识别语言。
  2. 对于 PDF 输入,选择相关页面范围。
  3. 运行 OCR 并更正结果字段中的错误。
  4. 将名称和编号与源进行比较,然后下载 TXT。
要检查什么

最多处理 25 PDF 页。表结构和方程未恢复;根据来源核实姓名、金额和帐号。

打开工具 →

使扫描的 PDF 可搜索

扫描的文档可能不支持搜索,因为它们的字母存储为图片。在页面图像上方添加识别的文本可以进行搜索和选择,但识别的文字仍需要与源进行比较。

选择识别语言和最多十页的范围,然后确认文档重建。仅选定的页面变成图像加文本,而不复制原始表格、签名或书签。

示例

扫描 PDF + OCR 语言 → 可搜索 PDF 副本
  1. 添加扫描不到的PDF。
  2. 选择语言和页面,然后确认重建。
  3. 运行并测试查找并复制结果。
  4. 下载可搜索的 PDF 和识别的文本。
要检查什么

最多 10 选定的页面,重建为页面图像加 OCR 文本。表格、签名和书签不会被复制。首先使用下载OCR资产;识别可能包含错误。

打开工具 →

将 PDF 表格提取到 Excel 或 CSV

当普通复制混合其列时,文本位置可以帮助分隔 PDF 表。提取不会重现表格的视觉格式,因此在重用之前请检查其生成的标题和单元格。

指定包含以 PDF 点测量的表格和水平列边界的页面。输入升序正边界,注意第一个提取的行将成为标题而不是前面的说明文本。

示例

文本 PDF + 列界限 → 评论 CSV/XLSX
  1. 添加包含可读文本表的 PDF。
  2. 输入页面范围和水平列边界。
  3. 运行、检查和编辑提取的表。
  4. 保存查看的 CSV 或 XLSX 输出。
要检查什么

仅支持含文本的 PDF:最多 10 页、200 行和 20 列。不会恢复合并单元格、扫描表格或样式。首行作为表头,结果单元格可以编辑。

打开工具 →

将收据变成费用表

OCR 可以在记录多个收据的日期和金额时提供起始表。已识别的总计是候选金额,因此请将每个值与照片进行比较,而不是将其视为已确认的付款。

准备清晰、正立的收据照片,并选择与其打印文本相匹配的 OCR 语言。货币不会自动推断,因此请在审核表中输入每张原始收据上显示的货币。

示例

接收图像 → 审查费用 CSV/XLSX
  1. 添加收据图像并选择 OCR 语言。
  2. 运行以创建候选项和识别的文本。
  3. 验证和编辑日期、商家、金额、货币和票据。
  4. 保存审阅的 CSV 或 Excel 和有用的成绩单。
要检查什么

对照原件核对金额和商家。留有货币供您输入;没有税务/会计分类。设备上最多 10 图像、OCR。

打开工具 →

本指南介绍了公共网络工具及其支持限制。保留原件并检查下载的结果。 Coverton · 更正及联系方式

此翻译是在软件协助下完成的。您也可以阅读英文版本。 阅读英文