文件与输出
首先了解文件包含的内容。PDF 可以包含图像、编码文本或两者兼有；仅凭文件名无法判断其中的文字是否可被选中。
OCR — 光学字符识别
识别图像中可见字符并将其表示为编码文本的过程。它允许您重复使用扫描件或照片中的文字；识别结果可能仍需校对。
扫描的 PDF
一种页面包含扫描或拍摄的文档图像的 PDF。有些扫描版 PDF 具有 OCR 文本层，而另一些则仅包含图像。
原生数字 PDF
一种直接从文档编辑器等数字内容创建的 PDF，而非通过扫描纸张生成。它通常包含实际文本，尽管其选择和提取仍可能受到制作方式的影响。
可搜索 PDF
一种包含可供读者搜索的文本的 PDF。当扫描页面旁边添加了识别出的文本时，它就可以变得可搜索。可搜索性本身并不保证准确性或可访问性。
文本层
存储在 PDF 中的编码文本。在扫描页面上，它可能是不可见的，并位于图像上方或下方，以便在保持原始外观可见的同时实现选择和搜索功能。
页面结构
识别器不仅要识别字母，还必须确定哪些标记属于一起，以及读者应该如何阅读它们。
版面分析
识别段落、标题、图像和表格等区域。识别表格中的文字并保留其行和列的结构是相关但不同的任务。
阅读顺序
预期的文本序列。双栏文章通常应先读完一栏再继续下一栏，而不是在两栏之间交替。错误的顺序会导致正确的文字组合成无法阅读的文本。
分割
将页面划分为更小的单元，如文本区域、行或字符。错误的边界可能会将相邻的单词连接在一起、拆分字符或混合页面中不相关的部分。
RTL — 从右向左书写的文本
阿拉伯语或希伯来语等脚本中的文本，其书写方向通常是从右向左。数字和嵌入的拉丁文本可能遵循不同的方向。显示顺序和存储的字符顺序不一定相同。
图像准备
准备工作会改变现有标记呈现给识别系统的方式。它无法还原源图像中已不存在的文本。
PPI 和 DPI
像素每英寸 描述的是物理尺寸下的图像采样；点每英寸 描述的是印刷点的密度。扫描设置通常会非正式地使用 DPI。仅更改存储的数值不会为现有图像增加细节。
纠偏
校正轻微的倾斜，使文本行变得更水平。这与旋转倒置的页面或校正以一定角度拍摄的照片的透视效果不同。
二值化
使用阈值或其他判定规则将图像转换为黑白像素。它可以简化清晰的页面，但也可能导致浅色标记丢失或合并附近的笔画。
预处理
在识别前进行的图像调整，例如方向校正、裁剪或对比度更改。有效的调整可以在不删除标点符号、重音符号或其他有意义细节的情况下改善可识别的标记。
识别与审阅
评估结果描述的是特定的任务和数据集。在将分数与其他结果进行比较或用其判断自己的文档之前，请先阅读分数的定义。
手写识别
对手写字符或单词的识别。连笔字母、个人缩写和特定书写风格使其成为与清晰印刷文本完全不同的挑战。
置信度分数
识别系统可能附加到预测结果上的估计值。其含义取决于系统和校准方式。它并不自动代表整个文档正确的概率。
CER — 字符错误率
将识别出的文本与已核对的参考文本进行比较，基于相对于参考长度的字符插入、删除和替换情况。数值越低越好。较低的 CER 仍可能掩盖姓名或数字中的重要错误。
WER — 词错误率
在单词层面进行的类似比较。一个错误的字符可能导致整个单词被计为错误。因此，WER 和 CER 描述的是转录的不同方面，不应互换使用。
真值
用于评估识别效果的已核对参考文本。其转录规范非常重要：如何处理标点符号、拼写、空格和无法读取的文本都会影响比较结果。有缺陷的参考文本可能会产生误导性的分数。
常见问题与解答
OCR 和翻译是一回事吗？
不是。OCR 将可见文本读取为可编辑格式。翻译则是用另一种语言表达文本。先审阅识别结果有助于避免翻译错误的源文本。
Word 下载件是原始布局的副本吗？
不一定。可编辑文档可能包含识别出的文本，但无法保留源文件的表格、间距或页面设计。当布局很重要时，请务必对照原件检查输出结果。
为什么两个准确率分数会不一致？
它们可能使用了不同的文档、参考规范或测量方法。字符错误、单词错误、遗漏区域和阅读顺序问题并不是同一回事。