文档扫描
让扫描 PDF 可搜索:OCR 设置与文件交接
扫描看起来正常,查找却无结果。区分页面图像、OCR 文本层和搜索索引,再检查同事实际收到的最终 PDF。

扫描 PDF 需要嵌入文本层,PDF 阅读器才能搜索页面上的印刷文字。 检查 OCR 输出设置、文档语言及最终交付文件。如果 PDF 内的查找正常,NAS 搜索却不行,应将索引作为独立步骤调查。
发票清晰可见,输入参考编号查找,却没有结果。同事打开同一文件,也无法选中一句话。扫描仪可能正确采集了页面,但软件只保存了图像。
OCR 指 光学字符识别。它将文字图像转换为识别出的字符。这能让文档更易检索,但前提是预期流程将这些字符保存到下一位使用者的软件能够使用的位置。
在扫描应用之外测试最终 PDF
打开同事实际会收到的文件,使用 PDF 阅读器自己的查找命令。搜索一个有辨识度的印刷词语,再尝试选取并复制一句短句。多页文档不要只检查第一页。
选中整张图像,不等于选中了其中的文字。同样,能找到文件名或手动添加的标题,也不能证明正文可搜索。
| 结果 | 下一项可能要检查的内容 |
|---|---|
| 任何文字都无法选取或找到 | OCR 是否执行,并将文本嵌入这个 PDF 输出文件。 |
| 部分词语有效,小字或歪斜文字却失败 | 采集质量、语言及 OCR 识别限制。 |
| 扫描应用能找到文字,共享 PDF 却不行 | 仅保存在应用内部资料库中的文字、导出设置,或交付了不同文件。 |
| PDF 查找有效,NAS 搜索却无效 | 已索引文件夹、文件/内容支持、权限和索引进度。 |
小范围测试即可:一页普通内容、一页密集表格,以及一页含实际工作所用语言的文档。先验证样本成功,比转换整个档案后才检查输出更有用。
区分页面图像、文本层和搜索索引
可见的扫描图像。即使看起来清晰,也可能不包含可搜索字符。
保存在 PDF 内的识别文字,供相容阅读器查找和复制。
电脑、NAS 或文档系统使用的独立目录,用于定位文件及受支持的内容。
这些功能相互关联,但不能互相替代。NAS 搜索服务不会自动对每个纯图像 PDF 执行 OCR。扫描应用内部能搜索,也不能证明导出文件含有可随文件携带的文本层。
检查扫描作业的 PDF 与 OCR 设置
先检查受影响批次所用的输出配置。寻找应用的可搜索 PDF 或文字识别选项、所选语言及目标位置。仅用 .pdf 文件名保存,并不会启用 OCR。
在 PaperStream Capture 中,可搜索 PDF 的创建是在扫描/输出设置中配置,包括文档语言。应查看实际使用的作业,而不是另一个名称相似的配置。
ScanSnap Home 也提供可搜索 PDF 流程。它的内部资料库可以单独保存识别文字,与嵌入文件的文本分开。如果文档只在 Home 内可搜索,应检查 PDF 输出选项,并在另一款阅读器中验证副本。
具体控件取决于受支持的软件版本和扫描路径。更改共用生产配置前,先确认已安装应用的工作流程。
为 OCR 提供可读页面
OCR 无法可靠识别扫描未采集到的细节。小字、歪斜、浅色原稿、严重压缩和复杂版面,都可能降低识别质量。手写内容也需要适用的识别能力;普通印刷文字 OCR 不代表能准确提取手写内容。

对于典型办公印刷内容,300 dpi 是样本测试的实用起点,并非通用要求。比较结果与工作所需的文件大小及处理时间。提高分辨率无法修正折页、错误语言或不适合的识别引擎。
设置适当语言或受支持的语言组合。手动核对关键编号和金额,尤其是 O 与 0、I 与 1 容易混淆的情况。可搜索文本是有用的辅助,不是经过核实的业务数据。
缺页或页面重叠,应先修复采集问题。 扫描仪双张进纸排查指南 说明在期待 OCR 正确处理整批文档前,如何准备纸张和检查进纸。
检查处理完成状态和目标路径
进纸器完成最后一张纸,不一定代表全部识别和文件保存工作已结束。检查应用处理状态,确认打开的是完成的输出,而非较早副本。
直接扫描到网络、云端和通过电脑扫描的路径,可能有不同 OCR 能力或限制。不要因为来自同一扫描仪,就认为结果相同。测试团队实际使用的目标位置和设置。
然后检查文件交接。后续导出、扁平化操作或某些打印为 PDF 的路径,可能改变最终文件内容。将原始可搜索输出与实际发送、下载或上传的文件比较。没有测试结果前,不要笼统归咎于所有 PDF 打印工具。
修复现有档案,无需全部重扫
如果页面图像可读,适当的 OCR 软件可能为现有文件加入可搜索文本。ScanSnap Home 也支持对其流程创建的受支持文档进行后期转换。不要认为某个应用接受所有外部、受保护或格式特殊的 PDF。
保留原始文件,并处理副本。大规模作业前,先测试一个有代表性的小文件夹,包括多页文档。核实页数、方向、搜索结果及任何文件大小变化。
文件应留在适用于这些文档的获准处理环境中。不要只为方便,就把机密发票档案上传到未经批准的网页转换器。
原始采集不完整或不可读时,重扫才有帮助。如果图像正常,只是缺文本层,纠正软件步骤可能已足够。
PDF 搜索正常,存储搜索却不行
PDF 自身的查找命令正常后,应独立检查存储搜索服务。目标文件夹是否建立索引?该服务是否支持并启用 PDF 内容?索引是否完成更新?执行搜索的用户能否访问文件?
Synology Universal Search 支持为受支持的文档和位置建立索引,但配置和访问范围仍然重要。将 PDF 移到 NAS,不能证明每个搜索界面都会立即搜索其内容。
文档管理系统还提供工作流程、权限和保留等功能,应根据这些需求选择。可搜索 PDF 或共享文件夹,都不会自动提供完整的审批或档案管理流程。
按采集工作选择扫描仪硬件
购买新扫描仪的依据应是纸张工作负载:进纸可靠性、批量大小、文档类型和日常处理。不能只因漏勾 OCR 选项,就把购买硬件作为第一步。

这款 Ricoh fi-8170 是可按该工作负载评估的工作组扫描仪选项。结合 扫描仪系列比较完整软件和目标位置流程,而不是把硬件型号视为保证具备每项 OCR 或文档管理功能。
以交付文件作为验收测试
有效结果很直接:最终接收者能打开 PDF、找到已知词语并查看正确页面。如果需要集中搜索,获准用户还必须能通过预定存储系统检索该文件。
将扫描仪型号、应用版本、配置、语言和目标位置与代表样本保存在一起。修复第一个失败环节,再重复同一测试。这样就更清楚应纠正设置、进行 OCR 处理,还是升级硬件。
常见问题
为什么 PDF 看得到文字,却搜不到?
页面可能仅保存为图像,没有嵌入文本层。光学字符识别,即 OCR,可以解读图像并加入可搜索文本。使用最终 PDF 自身的查找功能,并尝试选取已知词语来测试。
可搜索 PDF 和 Word 文档一样吗?
不一样。可搜索 PDF 能保留扫描页面图像,并通过文本层查找和复制文字,但不一定提供整洁、可编辑的文档版面,也不等于经过核实的数据提取。
创建可搜索 PDF,需要新扫描仪吗?
缺少的步骤往往在扫描应用或输出配置中。先检查现有受支持软件能否创建可搜索 PDF,再测试有代表性的批次,然后才判断硬件是否为限制。
已经扫描的 PDF 能变成可搜索文件吗?
适用的 OCR 软件能处理许多现有图像型 PDF。支持范围取决于应用、文件类型和限制。ScanSnap Home 也有针对受支持 ScanSnap 文档的后期转换流程。保留原始文件,先测试副本。
为什么 ScanSnap Home 能找到词语,同事却不行?
应用可能把识别文字保存在自己的资料库中,而交付 PDF 没有嵌入文本。启用适当的可搜索 PDF 输出,并在扫描应用之外打开副本测试。
为什么 PDF 查找正常,NAS 搜索却找不到文件?
检查 NAS 的索引文件夹、受支持文件类型、内容搜索设置、权限和索引进度。PDF 内 OCR 正常与存储搜索索引已完成,是两个独立要求。
