怎样给扫描版 PDF 做 OCR，得到真正能引用的文字
想把扫描版 PDF 识别成靠得住的文字：有意识地识别一次，逐页检查结果，而不是相信一个准确率数字；只重跑识别得差的那几页；原始扫描件保持不动，好让每一句引文都能对照它所出自的页面图片核对。
扫描版 PDF 就是一叠照片。在照片变成字符之前，什么都没法搜索它、引用它、翻译它——而一个照样回答关于它的问题的 AI，是在凭空作答。
为什么「准确率 98%」是个错的数字
OCR 工具很喜欢给一个准确率数字。对一本你打算引用的书来说，它几乎毫无用处。
错误不是均匀分布的。一本四百页的书扫得很干净，可能 390 页近乎完美，另外十页错得离谱：那页照片歪了，那张折页大表，那一章反面透字被识别成了正文。平均到整本书，这十页就消失在一个让人安心的百分比里。单独看，它们正是三周后你那句引文的出处——而一句对了七成的话，看起来并不像乱码。它看起来就是一句话。
所以有用的问题不是「准确率多少？」，而是**「哪几页不能信？」**
分步做法
1. 决定哪份文档值得识别
识别要花时间，用 AI 做 OCR 还要花钱。悄悄跑遍整个文件夹，会把两者都花在你根本没打算读的文件上。从你真正需要的那一本书或那一篇论文开始。
2. 用一种不怕中断的方式运行
一份长扫描件要跑一阵。你希望进度按页保存，这样在第 230 页合上笔记本，不会把第 1 到 229 页丢掉。
3. 逐页检查结果
这是大多数流程跳过、却最要紧的一步。找一份逐页记录和一张被标出的页面清单。把被标出的那几页和图片对照着抽查一下。好的检查看的是结果的形态——空白页、成串的乱码、对一整页来说短得离谱的文字——所以不管书是什么语言都管用。
4. 只重跑识别坏了的页
修那十页失败的，而不是重跑那四百页没问题的。
5. 扫描件就留作扫描件
除非不得已，别用重新编码过的「可搜索 PDF」覆盖原件。把图片留作最终依据，这样任何一句引文都能对照它出自的那一页核对。
6. 然后像用其他文档一样用它
搜索它、高亮它、向它提问、翻译它。识别是贵的那一步；从这里开始，再回来用它不该有任何额外成本。
MindMax 怎样处理扫描件
MindMax 一打开就认出扫描件是扫描件：它显示页面图片，AI 操作会说明为什么在等待，而不是硬答。识别是你在那份文档上按下的一个按钮。它分批运行，被打断时保留已完成的页，每一页都有自己的质量记录，并列出需要复查的页，让你只重跑那几页。
PDF 本身从不被修改。识别出的文字保存在你的电脑上，按文件内容而不是文件名和文件对应，所以改名或挪动文件什么都不会丢。它以一栏带页码标记的可读文字打开；从中引用的话，点开就落在页面图片上。从那以后，这本书和其他书用起来一样——带引文核对的提问、AI 通读批注、整个文件夹的搜索、整本书翻译——而且什么都不会被识别第二次。
哪里会出问题
- 扫描件决定了上限。 页面歪斜、书脊处太紧、反面透字、低分辨率复印件，都会损失准确率。任何处理都找不回扫描时没采集到的东西。
- 手写和页边批注不可靠。把它们当作提示，而不是文字。
- 密集的表格和多栏版式是最难的情况：字符可能都对，阅读顺序却是错的。
- 长书既不是瞬间完成，也不是免费的。 识别你需要的那一本，而不是一整个书架。
更多见扫描版 PDF 的 OCR，以及分步的扫描版 PDF 指南。定义见术语表里的 OCR。下载 MindMax，拿你手上扫得最糟的那份试试。