PDF文字辨識(OCR)

一份舊合約、一疊收據或拍下來的書頁，眼睛看得清清楚楚，Ctrl+F卻一筆都找不到。因為掃描檔裡放的是文字的照片：你看到的是字，電腦看到的是一堆像素。光學文字辨識就是把這些像素重新讀成可以搜尋、可以複製的字元。

語言可選韓文加英文、純英文、純韓文、日文加英文，以及簡體中文加英文，其中並沒有繁體中文的選項。繁體文件只能用簡體中文加英文那一項來跑，兩岸寫法相同的字多半讀得出來，但遇到寫法不同的字就會辨錯，品質相當參差，建議先拿一兩頁試過再決定整份值不值得做。辨識率同樣幾乎取決於原稿，建議掃描時用300dpi左右，頁面擺正不要歪斜，光線均勻、裝訂邊不要壓出陰影。手寫字、蓋在文字上的印章、有底紋的背景和顏色偏淡的影本都會明顯拉低準確率；金額、日期和單號這類數字一定要人工再核對一次。

結果固定是兩個檔案，純文字和可搜尋的PDF：後者把每一頁重新繪製成約144dpi的圖片，再疊上一層看不見的辨識文字，外觀仍像掃描檔，卻已不是原始檔案；這層文字用的是只含韓文與拉丁字母的字型，漢字和假名可能搜尋不到，中文和日文請以.txt為準。辨識完全在瀏覽器裡執行，第一次使用要先下載辨識引擎，處理時間隨頁數增加，頁數多的文件建議分批做。如果這份PDF本來就是電子產生而非掃描的，用pdf-to-text取到的是原始字元，不會有辨識誤差。