如何使用 OCR 使屏幕截图 PDF 可搜索
将长屏幕截图转换为 PDF 可以解决分页和共享问题，但页面通常仍然是图像。您可以缩放和打印它们，但您可能无法搜索名称、选择引言或通过辅助技术有效地使用文档。光学字符识别 (OCR) 添加了机器生成的文本层，使文件可搜索和选择。
OCR 是一个衍生过程，不能保证准确性。它可以将 0 与 O 混淆、合并表格列、省略浅色文本以及猜测错误的语言。良好的工作流程可以保留视觉源，为识别做好准备，应用适当的语言设置，并验证重要的信息。
确定 OCR 是否是正确的解决方案
当读者需要在长记录中查找短语、复制有限的文本、索引文档或创建易于修复的起点时，请使用 OCR。请勿使用 OCR 作为识别文本与来源相同的证据。对于发票、医疗说明、法律报价和数字报告，人们必须比较关键字段。
如果原始网页提供可访问的 HTML 视图、数据导出或原生数字 PDF，则在获得授权后首选该来源。原生文本通常比像素识别更好地保留阅读顺序和表格。当视觉外观或页面状态很重要时，保留屏幕截图，但避免用纯图像工作流程替换更高质量的源数据。
打造最干净的视觉源
识别质量先于 OCR 工具开始。以可清晰区分小写字母、标点符号和脚注的比例进行捕获。避免消息应用程序压缩和重复的 JPEG 保存。 PNG 通常可以更好地保留界面文本和细线，而高质量的 JPEG 可能足以满足混合照片内容。
删除不必要的侧边栏、动画覆盖层和重复的粘性标题，这样做不会改变含义。使用一致的背景和足够的对比度。如果深色主题生成低对比度的灰色文本，则浅色主题可能会识别得更好，但在外观相关时记录更改。切勿通过改变实质性值来提高可读性。
分页而不将文本缩小太多
当字符占据足够的像素时，OCR 引擎会更好地工作。强制放置在纵向 A4 页面上的非常宽的网页可能看起来像缩略图一样整洁，但会留下很小的文本。选择宽仪表板的横向或单独捕获重点列。使用边距来保护打印而不牺牲大部分页面宽度。
以 100% 的比例检查生成的 PDF。如果一个人难以区分如此规模的标点符号，那么 OCR 也可能会遇到困难。返回源捕捉并调整宽度或缩放，而不是依赖锐化滤镜来创造从未记录的细节。
选择语言和页面方向
告诉 OCR 工具实际出现的语言。识别模型使用语言词典和字符集来解决不明确的形状。选择每种可用语言可能会增加错误匹配；仅选择英语将无法处理日语、中文或带重音的欧洲文本。混合语言文档可能需要两到三个有意选择。
识别前确认页面旋转。横向存储但通过元数据垂直显示的页面可能会使某些工具感到困惑。尽管正常的网页屏幕截图应该已经是直的，但对拍摄的页面进行倾斜校正。在提交大型文档之前，首先处理代表性页面并查看结果。
了解不可见的文本图层
可搜索的屏幕截图 PDF 通常将图像保留为可见页面，并将识别的文本隐藏在其后面。这在实现搜索和选择的同时保留了视觉保真度。文本层可能无法与每个字形完美对齐，并且复制的段落可能会有意外的换行或阅读顺序。
测试标题、段落、列表和表格的选择。搜索几个已知的短语，包括带有标点符号的短语和靠近最后一页的短语。将示例复制到纯文本编辑器中以揭示隐藏的排序问题。返回一次成功搜索的文件不一定已被完全识别。
通过抽样计划验证关键信息
对于普通的阅读档案，请对第一页、中间页和最后一页以及任何带有小文本或彩色文本的页面进行采样。对于后续记录，定义关键字段，例如名称、日期、总计、参考号、单位和负号，然后将每个关键字段与视觉源进行比较。单独记录更正，而不是更改屏幕截图以匹配 OCR 猜测。
表格值得特别关注。 OCR 可能会读取第一列，然后读取第二列，分离货币符号，或将值与错误的标签相关联。如果需要结构化分析，请使用官方 CSV 或手动验证的转录。可搜索的 PDF 主要是一种发现辅助工具，而不是自动成为可靠的数据集。
OCR 前后的隐私保护
尽可能在识别之前应用安全编辑。否则，OCR 层可能会保留被可见矩形隐藏的文本。编辑后，搜索敏感术语，尝试选择覆盖区域附近，然后在另一个查看器中检查文件。仅平整外观而不删除已识别的文本是不够的。
可搜索性也会改变曝光度。操作系统和云驱动器可能会索引新文本并在预览中显示它。使用适合其内容的权限存储 OCR 衍生产品。如果文档不需要在组织范围内搜索，请勿仅仅因为检索方便而将其放在广泛索引的文件夹中。
有条不紊地改进较差的 OCR
如果识别遗漏了许多单词，请按顺序检查分辨率、对比度、压缩、语言选择、旋转和源宽度。每次更改后重新运行单个代表性页面。过度锐化、对比度或阈值过滤器可能会擦除标点符号和浅色字体，因此请并排比较处理后的图像和原始图像。
对于复杂的布局，将页面分成更简单的区域。两栏文章可能会以错误的顺序识别；单独的列或使用具有布局检测功能的 OCR 系统。代码、数学符号、手写和图表需要专门的识别或手动转录。说明限制，而不是将嘈杂的输出呈现为准确的文本。
支持搜索之外的可访问性
仅使用 OCR 并不能使 PDF 完全易于访问。屏幕阅读器还需要有意义的阅读顺序、标题、语言元数据、信息图像的替代文本、表格结构和适当的标签。自动识别可能会提供原始单词，同时使文档难以导航。
当需要辅助功能时，使用 OCR 作为中间步骤，并在支持辅助功能的编辑器中修复文档。运行自动检查，然后测试键盘导航和代表性屏幕阅读器工作流程。如果可能，还请提供原始的可访问网页或结构化文本替代方案。
使用清晰的文件和版本标签
保留原始视觉 PDF 并将识别的副本命名为 OCR 衍生品。当存档很重要时，请在附注中包含处理日期和语言设置。避免覆盖唯一的原始内容。哈希或受控存储可以帮助组织跟踪版本，但它们不能验证页面内容的真实性。
如果您手动更正 OCR 文本，请将更正后的文字记录与未更改的视觉源区分开来。读者应该知道他们正在搜索的是机器输出、人工审查的层还是单独编写的转录本。
OCR 验收清单
- 首先考虑本机文本或数据导出。
- 截图清晰、稳定、不重复压缩。
- 页面大小和方向保持最小的必要文本可读。
- 选择了正确的识别语言。
- 在第一页、中间页和最后一页上进行搜索和选择。
- 名称、日期、总数、单位、符号和参考号进行直观比较。
- 测试了表格和多列部分的阅读顺序。
- 像素和 OCR 层均不存在经过编辑的信息。
- 用于索引和预览曝光的存储权限帐户。
- 已评估 OCR 以外的辅助功能要求。
- 原始视觉文件仍然可用，并且衍生品有清晰的标签。
最可靠的 OCR 工作流程是保守的：从明确的来源开始，仅识别您需要的内容，根据风险进行验证，并保留视觉记录。只要不鼓励读者将机器识别误认为是精确的转录，可搜索的文本就可以使长屏幕截图更加有用。