OCR（光学字符识别）

失败的方式，和人们预想的不一样​

运行 OCR 是一个差不多已经解决的问题。真正损害你工作的是质量评估，因为识别得差，很少看起来就差。

完全识别失败的一页是无害的：你看到一堆乱码，知道不能信。识别对了七成的一页才危险。它读起来没问题。你从中引用了一句。三周后有人指出，这句话根本不在书里——因为一个数字翻了，一个否定词丢了，或者两栏交错拼成了一句从未存在过的话。

这就是为什么一份文档只给一个准确率数字几乎毫无用处。「准确率 94%」告诉不了你是哪 6%，而那 6% 恰恰是你需要知道的全部。

实际上会出什么错，大致按出现频率排列：

• 版式，而不是字符。 多栏页面和表格常常产出字母都对、顺序却错的结果。文字看起来合理，意思却变了。
• 扫描本身的质量。 歪斜、装订书靠近书脊处太紧、反面透字、低分辨率的复印件。这些事后都无法挽回——信息从一开始就没被采集到。
• 手写和页边批注。 不可靠到只能当作提示，而不能当作文字。
• 特殊记号。 数学公式、化学式，以及混在拉丁文字里的其他文字，识别质量都会急剧下降。

MindMax 怎样处理​

两个决定，都关乎诚实，而不是准确率。

识别是你主动发起的，而不是自动发生的。 它只作用于你选定的那份文档，而不会悄悄跑遍你的文件夹——因为它要消耗实打实的算力，而只有你知道哪本书值得。

质量按页报告，而不是按文档。 每一页都有自己的记录，结果看起来不对时就会被标出来。检查看的是输出的形态，而不是能不能找到预期中的词，所以它在一种从没见过的语言上也一样有效。之后你可以只对被标出的那几页重新识别，而不用重跑整本书。

关键不在于 MindMax 比其他工具识别得更准。而在于它会告诉你哪里不能信——这才是决定一份扫描资料能不能放心引用的信息。

识别完成后：识别了多少页、有多少页需要复查，逐页报告一点就开。