OCR

OCR（optical character recognition，光学字符识别）把文字图像转换为机器可读的字符。输入可以是扫描件、照片或截图。输出是纯文本，通常还带有每个单词、每行和每个文本块在页面上的位置。

现代 OCR 引擎使用在大量字体和语言上训练的神经网络模型。常用的引擎包括开源项目 Tesseract，以及 macOS 和 iOS 上的 App 可以调用的 Apple Vision 框架。较新的 macOS 版本还提供实况文本，可以在照片、预览和其他 App 中选取图像里的文字。

把 OCR 输出作为不可见图层放在 PDF 的页面图像上方后，PDF 外观不变，但内容变得可搜索。

OCR 的工作原理

1. 预处理图像：调整对比度、校正倾斜、去除噪点。
2. 分析版面：找出文本块、栏、行和单词。
3. 用训练好的模型识别字符和单词。
4. 应用语言模型纠正可能的错误。
5. 输出带坐标的文本。

OCR 的应用场景

• 让扫描文档和截图 PDF 变得可搜索。
• 从图片、幻灯片和视频帧中复制文字。
• 把收据、发票和表单中的内容读取到其他系统。
• 无障碍场景，屏幕阅读器需要的是文字而不是图片。

截图的 OCR

截图是很好的 OCR 输入：文字端正、清晰、对比度高。文字很小、颜色对比度低、使用装饰性字体、包含数学符号或位于图表内部时，准确率会下降。与缩小后的 JPG 相比，Retina 截图和无损 PNG 能为引擎提供更多细节。

Temposhot 在从结果面板导出 PDF 时运行 OCR，整个过程都在你的 Mac 上完成。

OCR 的常见错误

• 对高度压缩或缩小过的图像运行 OCR。
• 不经核对就信任 OCR 输出的数字和名称。
• 期望公式、表格和脚注以正确的结构输出。
• 一个页面中混用多种语言，却不检查结果。

要把页面整理成 PDF？

从 Temposhot 导出可搜索 PDF，参阅在 Mac 上将截图保存为 PDF，或使用 Screenshot to Searchable PDF 转换现有图片。

常见问题

OCR 文本完全准确吗？

不是。对清晰文字的准确率很高，但并不完美。重要的细节请对照图像核对。

可以从单张截图中提取文字吗？

可以。Extract Text from Image 会在浏览器中读取图片里的文字。

参考资料

• Optical character recognition（维基百科）
• Tesseract OCR（GitHub）

相关资源

• OCR 会漏掉公式、脚注和图表：已知的局限。
• 导出格式：可搜索 PDF 导出。