OCR 辨識出來是亂碼？原因和解決方法

掃描檔跑完 OCR，複製一段出來，貼上後卻是「Tbe qnick hrown f0x」這種東西。又或者單字都對，第四行的半句話卻跑到第二行去了。OCR 是從像素去猜字母，猜錯的原因多半出在頁面影像本身，而不是哪個隱藏設定沒調好。

中文掃描檔，請先看這段

我們的 OCR 只辨識英文，也沒有可以切換的語言選項。中文、日文、韓文、阿拉伯文、俄文這類文字，出來要不是一堆看不懂的符號，就是什麼都沒有。這跟掃描品質無關，重掃幾次都一樣。法文、德文可以認出一部分，但有重音符號的字母會被吃掉，或換成長得像的字母。

中文檔案要交給裝了中文語言套件的 OCR 軟體。如果你願意用命令列，可以在自己的電腦裝 ocrmypdf（我們背後用的就是這套開源工具）和 Tesseract 的中文語言套件，執行時用 -l 指定語言：繁體中文是 -l chi_tra，中英混排可以寫 -l chi_tra+eng。

先把整層辨識結果看一遍

在 PDF 閱讀器裡搜尋，只能知道某個字有沒有找到。想看 OCR 到底認出了什麼，就把跑過 OCR 的檔案丟進 PDF 轉文字，打開產生的 .txt 讀一讀。通常會看到下面其中一種狀況：

• 某一頁完全空白。頁面是橫的、太淡，或整頁被略過了。
• 單字都對，順序卻亂了。這是版面的問題，例如分欄、表格，或頁面掃歪了。
• 單字裡滿是錯字母。問題出在影像品質、字型或語言。

PDF 轉文字本身也有「執行 OCR（辨識掃描頁裡的文字）」選項，用的是和 PDF OCR 文字辨識同一個引擎。如果你最後只需要 .txt，可以直接從掃描檔一步轉出來。

頁面上原本就有一層文字

我們的 OCR 會略過已經有文字的頁面，不會覆蓋原本的字。大多數時候這樣沒錯，但如果原本那層文字就是亂碼，反而幫倒忙。有些掃描器會自己先跑一次粗糙的 OCR；有些 PDF 的字型複製出來全是符號，因為檔案根本沒記錄每個字形代表哪個字元。工具看到頁面上有文字就不去動它，原封不動把亂碼還給你。

解法是先把頁面「壓平」成單純的圖片：

1. 用 PDF 轉 JPG 轉檔，解析度選「高（300 DPI）— 列印品質」。
2. 用 JPG 轉 PDF 把這些圖片合回一個 PDF。轉之前先確認順序，「按名稱排序」會把 page_10 排在 page_2 前面，用上下箭頭調好就行。
3. 對新檔案執行 PDF OCR 文字辨識。

壓平後的檔案會失去連結和表單欄位，原檔記得留著。這招也只對英文頁面有用，中文頁面壓平之後，一樣要交給中文 OCR。熟悉命令列的話，ocrmypdf 的 --force-ocr 和 --redo-ocr 參數就是專門處理這種情況的。

該修的是掃描檔，不是設定

實際負責辨識的是 Tesseract 引擎，它最擅長乾淨、端正、300 dpi 左右的頁面。大部分亂碼都能追溯到下面幾個原因：

• 解析度太低或模糊。用 300 dpi 重掃，字很小的用 400 dpi。模糊的影像事後放大，細節也回不來。
• 頁面掃歪。我們辨識前不會自動校正歪斜，就算只歪幾度，也可能把一行字拆開，或把不同行的片段拼在一起。重新掃正，或改用會自動裁邊、拉平的掃描 App。
• 頁面橫的或倒的。這種也不會自動旋轉。先用 PDF 旋轉處理，要注意它會把所有頁面一起轉。
• 對比太低。褪色的複寫聯單、鉛筆字、彩色紙張，都會讓字跟背景很難分開。

怎麼掃都認不好的內容

手寫字是最大的關卡。Tesseract 是為印刷字設計的，頁邊的手寫筆記基本上只會變成雜訊。草寫體、很粗的裝飾字型，還有印在照片或花紋底圖上的字，情況也差不多。表格和多欄頁面則常常每個字元都認對了，卻是橫著一路讀過去，把幾欄串成一行，搜尋沒問題，複製出來卻讀不通。碰到這類內容，OCR 能讓你搜得到，但要一字不差的文字，還是只能自己打。

常見問題

再跑一次 OCR，會比較準嗎？

不會。第二次會發現第一次留下的文字層，然後每一頁都略過。你可以照上面的方法把檔案壓平，更好的做法是拿一份更清楚的掃描檔重新來過。

為什麼 0 和 O、1 和 l 老是搞混？

解析度低的時候，這幾個字元的形狀幾乎一樣，引擎只能二選一。掃清楚一點會改善很多。發票金額、銀行帳號這種錯一碼就出事的內容，使用前一定要對照頁面原圖核對一次。