PDF 文字擷取與 OCR：翻譯前如何選擇正確路徑

當 PDF 已包含可靠且機器可讀的文字時，請使用文字擷取；當頁面僅包含文字影像時，請使用 OCR。如果頁面的現有文字層有誤，單靠這兩項規則並不足夠：您必須先比對擷取出的文字與頁面可見內容，再決定要保留、替換還是重做該文字層。

這項決定必須在翻譯 之前 完成。如果一開始進入工作流程的數量、名稱或句子就有誤，翻譯工具便無法復原正確內容，它只能依據收到的原文進行翻譯。

快速決策對照表

請逐頁測試，而非僅測試整份檔案。單一 PDF 檔案可能同時包含原生數位首頁、掃描章節，以及帶有舊版 OCR 的插入頁面。

能夠選取文字僅能證明存在文字物件，並不能證明該文字與頁面內容相符。反之，複製測試失敗也不能證明整份 PDF 都只是純圖片。

我們的四頁混合型 PDF 測試

我們建立了一份內容確切的 可下載四頁 PDF 。其中不包含任何私密或第三方文件：

1. 一頁原生數位頁面；
2. 一頁純圖片頁面；
3. 一頁帶有正確隱藏文字層的外觀掃描頁面；
4. 一頁帶有故意誤導之隱藏文字層的外觀掃描頁面。

針對每一頁，我們使用 Poppler pdftotext 處理現有的 PDF 資料。另外，我們將頁面以 300 dpi 算圖為圖片，並對該圖片執行 Tesseract。在進行這兩項測試之前，可見的參考內容均已固定。

重點並非 Tesseract 永遠能勝出。它在這個乾淨的英文測試樣本中表現出色，是因為我們專門設計了該頁面來突顯這一決策點。面對雜訊較多的掃描檔、罕見字體、表格、手寫內容或複雜排版時，全新執行的 OCR 可能會出現其他不同形式的錯誤。

隨附的 逐頁分析結果, 決策對照表, 重現步驟說明與 生成工具 均與測試樣本一併提供。於 2026 年 9 月 21 日記錄的版本為 Poppler pdftotext 26.08.0 以及 Tesseract 5.5.3。

這項測試能證明什麼——以及不能證明什麼

它證明了四個肉眼看起來清晰可讀的頁面，可能需要三種不同的翻譯前處理途徑。它也證明了可搜尋文字即使看起來合情合理，也可能與頁面實際內容不符。

它並沒有評估通用的 OCR 準確度、讀者無障礙存取性、表格還原能力、多語言識別，或是 BookTranslator 的上傳處理行為。這些頁面結構都很單純，且第四頁的錯誤是刻意植入的，並非 Tesseract 所產生。

為何文字擷取與 OCR 是截然不同的運作方式

文字擷取讀取的是已經儲存在 PDF 中的文字物件。OCR 則是識別像素中的字元。現行的 pypdf 擷取指南 也劃定了相同的界線：pypdf 可以讀取現有的文字層，但無法識別圖像中的文字。

這項區別至關重要，因為數位原生 PDF 包含的許多資訊，一旦點陣化就會被捨棄或難以復原：字元編碼、字型資訊、連結、向量圖形以及其他文件物件。pypdf 明確建議不要將 OCR 視為處理原生數位檔案的通用解法。它還指出了另一個限制：PDF 通常是為了視覺呈現位置而儲存文字，而非以語意上的段落、表格或標題形式儲存。

因此，預檢流程中應包含兩個各自獨立的問題：

1. 字元是否正確？ 將擷取出來的姓名、數字、標點符號以及生僻術語與頁面進行對比。
2. 結構是否可用？ 讀取一個完整的段落，接著檢查欄位分欄、註腳、表格、圖表說明以及分頁邊界。

即使字元完全正確，順序一旦錯亂，對翻譯來說依然是損壞的來源內容。

翻譯前的頁面層級預檢流程

1. 保留原始檔案

如果文件十分重要，請保留一份未經修改的來源檔案並記錄其雜湊值。請務必在副本上進行測試。替換不完美的文字層可能會壓平向量內容，或丟失後續所需的資訊。

2. 清點頁面類型

切勿僅憑第一頁就做決定。請抽樣檢查書名頁與前言、一般內文頁面、附錄、表格、插圖、插頁，以及任何看起來像是拍照或影印的頁面。

對於長篇文件，請記錄頁面範圍：

可下載的 CSV 檔採用了與我們測試範例相同的模式。

3. 比對高難度字元，而不僅是簡單的流暢文字

看起來通順的句子並不足以證明擷取品質。檢查時應包含：

• 人名；
• 日期與數量；
• 英數混合的識別碼；
• 含變音符號或非拉丁字母的文字；
• 跨換行的句子；
• 鄰近腳註、圖表或雙欄排版的段落。

在我們的測試檔案中，如果檢查僅止於常見字詞，第四頁看起來可能堪用。錯誤其實集中在 O/0, 58/53以及 7.5/7.8——而這正是翻譯後極易破壞參考引文與事實資訊的文字類型。

4. 誠實歸類不確定性

請使用四種判定結果：抽樣通過、抽樣失敗、無可擷取文字，或尚未測試。「可選取」並不是一種結果。「OCR 已完成」也不是。

抽樣有其局限。通過三頁並不代表整本 400 頁的書都沒問題，尤其是當檔案包含不同掃描品質或版面配置時。每當來源形式改變，就應提高覆蓋率。

診斷完成後，再選擇 OCRmyPDF 模式

OCRmyPDF 的最新文件針對已包含文字的頁面說明了數種處理行為。這些是流程路由的選擇，而非品質保證。

• 預設行為 當頁面已包含可列印文字或隱藏的 OCR 圖層時會停止處理，因為它無法可靠區分找到的是哪一種。
• 略過文字（Skip text） 會原封不動複製帶有文字的頁面，僅對其他頁面執行 OCR。只有在現有文字值得信賴時，此模式才適用於混合型檔案。
• 重新 OCR（Redo OCR） 會移除現有的不可列印 OCR 文字並重新辨識該頁面，同時排除可列印的向量文字。它適合包含原生數位與先前已 OCR 頁面的混合檔案，但無法辨識所有過去留下的排版組合。
• 強制 OCR（Force OCR） 會將向量內容點陣化，並對產生的影像進行 OCR。它可以替換掉失效的文字層，但會犧牲原始資訊，並可能將互動式內容壓平成靜態影像。

這些語意取自 OCRmyPDF 17.12.1 的 既有文字錯誤說明文件。在執行批次處理前，請務必參閱所安裝版本的說明文件。參數名稱本身並不能證明輸出結果完整保留了書籤、標籤、連結、表單或無障礙結構。

在我們的測試檔案中，若使用略過文字模式，就會保留第四頁特意設計的錯誤隱藏文字。這就是為什麼在選擇批次模式前，必須先完成複製並比對的把關步驟。

常見的錯誤觀念

「如果文字可選取，就略過 OCR」

第四頁推翻了這條法則。能選取只能證明文字存在，不能證明文字精確。

「為求保險，對整份 PDF 執行 OCR」

這可能會降低乾淨數位頁面的品質，並捨棄有用的 PDF 物件。它還會擴大人工審查的工作量，卻無法自動修正語意上的閱讀順序。

「哪種輸出看起來更流暢就用哪種」

在這種情況下，流暢度相當具有誤導性。請務必與可見頁面進行比對。千萬不要讓語言模型默默修正識別碼或數量，然後將該結果誤當成原始來源證據。

「一個乾淨的頁面足以代表整個檔案」

混合類型的 PDF 很常見：數位封面後面可能是掃描章節，或者可搜尋的書籍中可能包含純圖片插頁。請依頁面範圍記錄處理決策。

適合翻譯的 PDF 驗收關卡

在將檔案送入翻譯工作流程之前，必須滿足以下所有條件：

1. 每個頁面範圍均已分類為純數位、純圖片或既有 OCR。
2. 失效的既有文字層有記錄明確的替代處理方案。
3. 人名、數字、識別碼與生僻術語在抽樣頁面上均已通過來源比對。
4. 在擷取的來源內容中，段落與欄位順序均符合可讀性。
5. 表格、插圖、註腳與公式均已完成驗證，或明確記錄為獨立素材進行追蹤。
6. 原始 PDF 仍妥善保留，以供翻譯完成後進行比對。

如果含有文字的 PDF 已經出現擷取問題，請參考另一篇 複製貼上診斷指南 ；若頁面純屬圖片，請使用 掃描版 PDF 處理流程 ；而如果辨識問題牽涉到語言選取，請參閱 多語言混合 OCR 指南 。

翻譯經過驗證的來源，然後審查輸出結果

若最終目標是以另一種語言閱讀完整文件，請將驗證無誤的 PDF 上傳至 PDF Translator。對於掃描頁或圖片較多的頁面，BookTranslator 的 OCR 模式會擷取可辨識的內容並重新建構乾淨的翻譯版 PDF；該模式並不保證完全保留原始版面、字型或大小，也不保證能修復每一個既有的隱藏文字層。

請保留頁面清單與原始檔案。翻譯完成後，請對目標文件重複執行高風險檢查：名稱、數量、識別碼、頁面涵蓋率、段落順序以及您所依賴的任何結構。 PDF 翻譯品管檢查清單 涵蓋了最後的驗收審查流程。

核心準則其實很簡單： 直接擷取既有的可靠文字，僅對需要辨識的內容執行 OCR，且唯有在證實文字層有誤時才將其取代。