如何使用 OCR 使螢幕截圖 PDF 可搜尋
將長螢幕截圖轉換為 PDF 可以解決分頁和共享問題，但頁面通常仍然是圖像。您可以縮放和列印它們，但您可能無法搜尋名稱、選擇引言或透過輔助技術有效地使用文件。光學字元辨識 (OCR) 新增了機器產生的文字層，使檔案可搜尋和選擇。
OCR 是一個衍生過程，不能保證準確性。它可以將 0 與 O 混淆、合併表格列、省略淺色文字以及猜測錯誤的語言。良好的工作流程可以保留視覺來源，為識別做好準備，應用適當的語言設置，並驗證重要的資訊。
確定 OCR 是否是正確的解決方案
當讀者需要在長記錄中尋找短語、複製有限的文字、索引文件或建立易於修復的起點時，請使用 OCR。請勿使用 OCR 作為識別文本與來源相同的證據。對於發票、醫療說明、法律報價和數位報告，人們必須比較關鍵欄位。
如果原始網頁提供可存取的 HTML 視圖、資料匯出或原生數位 PDF，則在獲得授權後首選該來源。原生文字通常比像素辨識更好地保留閱讀順序和表格。當視覺外觀或頁面狀態很重要時，保留螢幕截圖，但避免用純圖像工作流程取代更高品質的來源資料。
打造最乾淨的視覺來源
辨識品質先於 OCR 工具開始。以可清楚區分小寫字母、標點符號和腳註的比例進行捕獲。避免訊息應用程式壓縮和重複的 JPEG 保存。 PNG 通常可以更好地保留介面文字和細線，而高品質的 JPEG 可能足以滿足混合照片內容。
刪除不必要的側邊欄、動畫覆蓋層和重複的黏性標題，這樣做不會改變含義。使用一致的背景和足夠的對比。如果深色主題產生低對比度的灰色文本，則淺色主題可能會識別得更好，但在外觀相關時記錄變更。切勿透過改變實質值來提高可讀性。
分頁而不將文字縮小太多
當字元佔據足夠的像素時，OCR 引擎會更好地工作。強制放置在縱向 A4 頁面上的非常寬的網頁可能看起來像縮圖一樣整潔，但會留下很小的文字。選擇寬儀表板的橫向或單獨擷取重點列。使用邊距來保護列印而不犧牲大部分頁面寬度。
以 100% 的比例檢查產生的 PDF。如果一個人難以區分如此規模的標點符號，那麼 OCR 也可能會遇到困難。返回來源捕捉並調整寬度或縮放，而不是依賴銳利化濾鏡來創造從未記錄的細節。
選擇語言和頁面方向
告訴 OCR 工具實際出現的語言。識別模型使用語言詞典和字符集來解決不明確的形狀。選擇每種可用語言可能會增加錯誤匹配；僅選擇英語將無法處理日語、中文或重音的歐洲文本。混合語言文件可能需要兩到三個有意選擇。
識別前確認頁面旋轉。橫向儲存但透過元資料垂直顯示的頁面可能會使某些工具感到困惑。儘管正常的網頁螢幕截圖應該已經是直的，但對拍攝的頁面進行傾斜校正。在提交大型文件之前，請先處理代表性頁面並查看結果。
了解不可見的文字圖層
可搜尋的螢幕截圖 PDF 通常將圖像保留為可見頁面，並將識別的文字隱藏在其後面。這在實現搜尋和選擇的同時保留了視覺保真度。文字圖層可能無法與每個字形完美對齊，並且複製的段落可能會有意外的換行或閱讀順序。
測試標題、段落、清單和表格的選擇。搜尋幾個已知的短語，包括帶有標點符號的短語和靠近最後一頁的短語。將範例複製到純文字編輯器中以揭示隱藏的排序問題。傳回一次成功搜尋的文件不一定已完全識別。
透過抽樣計劃驗證關鍵訊息
對於普通的閱讀檔案，請對第一頁、中間頁和最後一頁以及任何帶有小文本或彩色文本的頁面進行採樣。對於後續記錄，定義關鍵字段，例如名稱、日期、總計、參考號、單位和負號，然後將每個關鍵字段與視覺來源進行比較。單獨記錄更正，而不是更改螢幕截圖以匹配 OCR 猜測。
表格值得特別注意。 OCR 可能會讀取第一列，然後讀取第二列，分離貨幣符號，或將數值與錯誤的標籤相關聯。如果需要結構化分析，請使用官方 CSV 或手動驗證的轉錄。可搜尋的 PDF 主要是一種發現輔助工具，而不是自動成為可靠的資料集。
OCR 前後的隱私保護
盡可能在識別之前應用安全編輯。否則，OCR 圖層可能會保留被可見矩形隱藏的文字。編輯後，搜尋敏感術語，嘗試選擇覆蓋區域附近，然後在另一個檢視器中檢查文件。僅平整外觀而不刪除已識別的文字是不夠的。
可搜尋性也會改變曝光。作業系統和雲端驅動器可能會索引新文字並在預覽中顯示它。使用適合其內容的權限儲存 OCR 衍生產品。如果文件不需要在組織範圍內搜索，請勿僅因為檢索方便而將其放在廣泛索引的資料夾中。
有條不紊地改善較差的 OCR
如果辨識遺漏了許多單詞，請按順序檢查解析度、對比度、壓縮、語言選擇、旋轉和來源寬度。每次變更後重新運行單一代表性頁面。過度銳利化、對比度或閾值濾鏡可能會擦除標點符號和淺色字體，因此請並排比較處理後的影像和原始影像。
對於複雜的佈局，將頁面分成更簡單的區域。兩欄文章可能會以錯誤的順序識別；單獨的列或使用具有佈局檢測功能的 OCR 系統。代碼、數學符號、手寫和圖表需要專門的識別或手動轉錄。說明限制，而不是將嘈雜的輸出呈現為準確的文字。
支援搜尋之外的可訪問性
僅使用 OCR 並不能使 PDF 完全容易存取。螢幕閱讀器還需要有意義的閱讀順序、標題、語言元資料、資訊圖像的替代文字、表格結構和適當的標籤。自動識別可能會提供原始單詞，同時使文件難以導航。
當需要輔助功能時，使用 OCR 作為中間步驟，並在支援輔助功能的編輯器中修復文件。執行自動檢查，然後測試鍵盤導航和代表性螢幕閱讀器工作流程。如果可能，也請提供原始的可存取網頁或結構化文字替代方案。
使用清晰的文件和版本標籤
保留原始視覺 PDF 並將識別的副本命名為 OCR 衍生品。當存檔很重要時，請在附註中包含處理日期和語言設定。避免覆蓋唯一的原始內容。哈希或受控儲存可以幫助組織追蹤版本，但它們不能驗證頁面內容的真實性。
如果您手動更正 OCR 文本，請將更正後的文字記錄與未更改的視覺來源區分開來。讀者應該知道他們正在搜尋的是機器輸出、人工審查的層還是單獨編寫的轉錄本。
OCR 驗收清單
- 首先考慮本機文字或資料匯出。
- 截圖清晰、穩定、不重複壓縮。
- 頁面大小和方向保持最小的必要文字可讀。
- 選擇了正確的識別語言。
- 在第一頁、中間頁和最後一頁進行搜尋和選擇。
- 名稱、日期、總數、單位、符號和參考號碼進行直覺比較。
- 測試了表格和多列部分的閱讀順序。
- 像素和 OCR 層均不存在經過編輯的資訊。
- 用於索引和預覽曝光的儲存權限帳戶。
- 已評估 OCR 以外的輔助功能需求。
- 原始視覺文件仍然可用，並且衍生品有清晰的標籤。
最可靠的 OCR 工作流程是保守的：從明確的來源開始，只識別您需要的內容，根據風險進行驗證，並保留視覺記錄。只要不鼓勵讀者將機器辨識誤認為精確的轉錄，可搜尋的文字就可以使長螢幕截圖更加有用。