扫描版PDF图纸的OCR识别指南

打开 PDF 并尝试使用文本选择工具选择一个单词。然后搜索明显的工作表标题或注释。如果您可以选择单个字符并且搜索已找到它们，则该页面具有文本层； OCR 可能会添加重复或嘈杂的文本，而不是提供帮助。如果选择将页面视为一张图像并且搜索未返回任何内容，则它是一个很好的 OCR 候选者。

OCR 改变了文本的可发现性，而不是绘图几何形状。它不会校准纸张、验证尺寸或确认钞票已被正确识别。

1. 复制源 PDF 或使用“另存为”，使原始扫描件保持不变。
2. 如果扫描较长或图像较多，请关闭不相关的大型文档，然后打开工作副本。
3. 选择文档 › OCR。开始对当前文档进行 OCR 识别；当前对话框不提供页面范围或语言选择器。
4. 保持对话框打开以观察进度，或者如果您希望运行在后台继续，则将其关闭。当需要停止时选择取消OCR；取消的运行会丢弃其结果。
5. 等待完成消息后再判断搜索。大型扫描和构建集可能需要时间。
6. 将识别的文档保存在不同的文件名下，关闭它，然后重新打开该保存的文件。
7. 从不同页面搜索多个术语并将短段落复制为纯文本以检查识别质量。

自 PolyPDF 1.4.4 起，OCR 还构建了可能的时间表、标题块字段、绘图和详细标签、尺寸、区域、行和单元格的当前会话模型。这对于审阅和电子表格切换很有用，但它仍然是从页面像素和可选文本推断的，而不是权威的时间表数据库。

1. 完成 OCR 运行并检查已识别的表名称、标题、行和维度。
2. 选择文件 › 导出 › Excel 工作簿（表格 + 文本）...，同时识别的文档会话保持打开状态。
3. 使用与源图形和问题相关的名称保存工作簿。
4. 打开工作簿并将关键数量、尺寸、标签和明细表单元格与可见 PDF 进行比较。
5. 将合并单元格、模糊规则、手写、旋转标签和密集线条视为高风险审核区域。

结构化表模型是会话数据。保存并重新打开会保留可搜索的 PDF 图层，但您不应假设推断的表模型仍然可用，除非您再次运行 OCR。在关闭会话之前导出工作簿。

识别可用性取决于操作系统及其安装的语言支持，因此一台 Mac 或 Windows 计算机提供的语言可能与另一台不同。 PolyPDF 当前的嵌入式可搜索层仅限于拉丁文、希腊文和西里尔文脚本。操作系统可能会识别其他脚本中的文本，但 PolyPDF 不承诺将这些字符作为可搜索层嵌入到 PDF 中。

• 将混合脚本标题块视为特殊审查案例。
• 在项目开始之前安装并启用所需的操作系统语言支持，然后使用代表性页面进行测试。
• 请勿推断显示的语言名称可以保证字体、扫描质量、旋转或手写笔记的同等准确性。
• 当 PolyPDF 报告无法嵌入已识别的文本时，请使用任何提供的文本导出作为审阅辅助工具，而不是作为 PDF 本身在该脚本中可搜索的证据。

一般搜索测试可以通过，但您需要的标识符仍然失败。根据文档构建一个小型验证集：图纸编号、房间名称、材料缩写、尺寸和包含标点符号的注释。精确搜索每个值，然后尝试一个独特的片段。检查真实命中和搜索遗漏的明显位置。

• 类似形状（例如 O 和 0、I 和 1、S 和 5）或小数点和扫描噪声之间可能会出现混淆。
• 旋转的注释、压缩的字体、褪色的重氮印刷、倾斜的扫描和文本交叉线条都是较难的输入。
• 切勿将 OCR 派生的尺寸、数量、设备标签或规格值复制到下游工作中，而不将其与页面图像进行比较。
• 搜索结果是一种导航帮助。可见的绘图仍然是必须审查的来源。

此处显示的 NACA 页面是光栅扫描，在 OCR 之前没有可提取的文本：搜索 SURFACE 返回“无匹配项”。整个文档运行完成后，我们保存结果，退出 PolyPDF，重新打开保存的 PDF，然后重复相同的搜索。 PolyPDF 返回了三个结果并在绘图上选择了一个“船舶表面”出现点。

从保存的 PDF 中复制文本将返回“报告国家航空咨询委员会”、“船舶表面”和“U.S.S. Akron”。同一文本还包含小斜体标签和尺寸符号中的错误，因此请使用 OCR 命中进行导航，并将每个相应的标识符、注释或测量值与可见扫描进行比较。

• OCR 是尽力识别，而不是转录保证或绘图验证服务。
• 可搜索的文本层并不能使 PDF 变得易于访问。阅读顺序、标题、替代文本、表单标签和其他辅助功能结构需要单独审查。
• OCR 不会删除机密像素。如果扫描必须删除敏感 PDF 内容，请使用图像感知敏感 PDF 内容删除工作流程并验证输出。
• 识别通过平台功能在本地运行，但操作系统语言的可用性和结果可能因计算机而异。
• 完成的进度条表示运行已完成。这并不意味着每个单词都被正确找到或嵌入。

对于后续工作，在运行 OCR 之前定义可接受的用途：导航和发现是合理的；未经审查的尺寸、数量或合规性语言的提取不是。