先 OCR 还是先压缩:扫描 PDF 的处理顺序
扫描的 PDF 常常需要两件事:识别文字,让它能够被搜索;压缩体积,让它能作为邮件附件发出。顺序之所以重要,是因为压缩会降低图像质量,而文字识别正是读取这张图像。先压缩,等于让程序去读一张更模糊的图;先识别,则是在画质损失之前把文字取出来。
一览表
| 对比项 | 先 OCR | 先压缩 |
|---|---|---|
| 识别准确率 | 读取的是原始分辨率的扫描图,细小的字和数字更容易保留。 | 读取的是缩小后的图像,细节变模糊,更容易读错字符。 |
| 最终文件大小 | 之后压缩图像而保留文字层,文件依然会明显变小。 | 同样会变小,识别只需要再添加很轻的文字层。 |
| 处理耗时 | 要识别大图,耗时更长。 | 要识别的图像已经变小,耗时更短。 |
| 丢失细节的风险 | 较低,文字在降低画质之前就已提取出来。 | 较高,压缩中丢掉的信息无法再找回。 |
| 适合的场景 | 合同、发票等数字必须准确的文件。 | 页数很多、多数页面不重要,搜索只是顺手功能的大文件。 |
按文字的重要程度来决定
如果页面上有你要依赖的数字、姓名或日期,就先识别、再压缩,然后在完成的文件里搜索一个看得见的词,确认压缩后仍然可以被搜索。如果文件很大而页面大多无关紧要,先压缩能更快得到可以发送的版本,之后再对需要搜索的部分识别。两种顺序都没有对错,区别只在于你更怕丢细节,还是更怕等得久。
如何选择
先 OCR
准确度最重要、页面上有数字或法律文字、并且可以多等一会儿时,选择先 OCR。
先压缩
文件很沉、搜索只需要大致可用、速度和体积优先时,选择先压缩。
两种选择都能用的免费工具
提到这个术语的指南
通俗解释PDF术语
常见问题
- 压缩会删除文字层吗?
- 通常不会,因为文字层独立于图像。不过仍要在完成的文件里搜索一个看得见的词来确认。
- 同一个文件可以做两次 OCR 吗?
- 可以,但只有在第一次没有成功时才有意义,比如语言选错或页面倾斜。
- 哪些工具能帮上忙?
- PDF OCR 会添加可搜索的文字层,压缩扫描PDF 能缩小扫描件,压缩 PDF 适用于其他文件。每个结果都是新文件,原文件保持不变。