先 OCR 還是先壓縮:掃描 PDF 的處理順序
掃描的 PDF 常常需要兩件事:識別文字,讓它能夠被搜尋;壓縮體積,讓它能作為郵件附件發出。順序之所以重要,是因為壓縮會降低影象品質,而文字識別正是讀取這張影象。先壓縮,等於讓程式去讀一張更模糊的圖;先識別,則是在畫質損失之前把文字取出來。
一覽表
| 對比項 | 先 OCR | 先壓縮 |
|---|---|---|
| 識別準確率 | 讀取的是原始解析度的掃描圖,細小的字和數字更容易保留。 | 讀取的是縮小後的影象,細節變模糊,更容易讀錯字元。 |
| 最終檔案大小 | 之後壓縮影象而保留文字層,檔案依然會明顯變小。 | 同樣會變小,識別只需要再新增很輕的文字層。 |
| 處理耗時 | 要識別大圖,耗時更長。 | 要識別的影象已經變小,耗時更短。 |
| 丟失細節的風險 | 較低,文字在降低畫質之前就已提取出來。 | 較高,壓縮中丟掉的資訊無法再找回。 |
| 適合的場景 | 合同、發票等數字必須準確的檔案。 | 頁數很多、多數頁面不重要,搜尋只是順手功能的大檔案。 |
按文字的重要程度來決定
如果頁面上有你要依賴的數字、姓名或日期,就先識別、再壓縮,然後在完成的檔案裡搜尋一個看得見的詞,確認壓縮後仍然可以被搜尋。如果檔案很大而頁面大多無關緊要,先壓縮能更快得到可以傳送的版本,之後再對需要搜尋的部分識別。兩種順序都沒有對錯,區別只在於你更怕丟細節,還是更怕等得久。
如何選擇
先 OCR
準確度最重要、頁面上有數字或法律文字、並且可以多等一會兒時,選擇先 OCR。
先壓縮
檔案很沉、搜尋只需要大致可用、速度和體積優先時,選擇先壓縮。
兩種選擇都能用的免費工具
提到這個術語的指南
用白話解釋 PDF 術語
常見問題
- 壓縮會刪除文字層嗎?
- 通常不會,因為文字層獨立於影象。不過仍要在完成的檔案裡搜尋一個看得見的詞來確認。
- 同一個檔案可以做兩次 OCR 嗎?
- 可以,但只有在第一次沒有成功時才有意義,比如語言選錯或頁面傾斜。
- 哪些工具能幫上忙?
- PDF OCR 會新增可搜尋的文字層,壓縮掃描PDF 能縮小掃描件,壓縮 PDF 適用於其他檔案。每個結果都是新檔案,原檔案保持不變。