# 如何选择扫描书 OCR 工具：用同一批页面做比较

用同一批有代表性的扫描书页面，从安装配置、语言与版面处理、隐私、费用和输出结果几个方面比较 OCR 方案，而不是只看准确率排名。

选哪款 OCR 工具，取决于你手上的文件和想要的结果。可检索 PDF、可编辑 Markdown 和可重排 EPUB 是三种不同的产物。一个系统能把干净段落读得很好，碰到书里的注释、分栏或特殊字体时仍可能吃力。

比较不同方案时，请用同一批源页面。本文介绍有文档可查的工作流程和评估要点，不提供实测准确率排名。

## 比较安装配置与硬件负担

| 方案               | 你需要准备什么                      | 需要确认的输出问题                            |
| ---------------- | ---------------------------- | ------------------------------------ |
| 基于 Tesseract 的处理 | 安装程序、语言数据、图像预处理，以及脚本或前端界面    | 会产出哪些文本或版面信息？整本书由谁来组装？               |
| OCRmyPDF         | 兼容的本地环境及其依赖项                 | 可检索 PDF 够用吗，还是仍需再做一次转换？              |
| 桌面 PDF 编辑器       | 受支持的操作系统、软件授权，以及软件提供的 OCR 工具 | 你这个版本能导出哪些可编辑格式或 PDF？                |
| PDF Craft 在线转换   | 浏览器、受支持的 PDF、选定的输出格式，以及校对安排  | 要 EPUB 用来阅读，还是要 Markdown 用来编辑？需要翻译吗？ |

[Tesseract 的文档](https://tesseract-ocr.github.io/tessdoc/)介绍了一个 OCR 引擎及其支持的配置方式。[OCRmyPDF](https://ocrmypdf.readthedocs.io/en/stable/introduction.html) 介绍如何给扫描 PDF 添加 OCR 文本层。Adobe 记录了它的[扫描增强与 OCR 工作流程](https://helpx.adobe.com/acrobat/desktop/create-documents/scan-documents-to-pdfs/enhance-scans.html)。请针对自己的环境查阅这些来源的最新内容，不要假定每种方案都能完整重建电子书。

本地处理意味着计算和存储都由你自己安排。在线方案则把处理交给服务方。仅凭有桌面界面，并不能说明所有功能都在离线完成；要核实实际的配置。

以具体的本地环境为例：Tesseract 需要可执行程序和对应文字的已训练语言数据。OCRmyPDF 把 OCR 与 PDF 处理结合起来，其[安装指南](https://ocrmypdf.readthedocs.io/en/stable/installation.html)给出了 macOS/Homebrew、Linux 软件包和 Windows 三种安装方式。只装一个 Python 包并不能补齐所有系统依赖。请查看你所装版本的要求，包括 Tesseract 以及受支持的 PDF 光栅化工具（如 pypdfium2 或 Ghostscript）；它们的作用和可选功能因版本而异。处理整本书之前，先确认命令和语言数据都可用。

资源占用取决于页面本身，而不只是 PDF 压缩后的文件大小。OCRmyPDF 的[性能说明](https://ocrmypdf.readthedocs.io/en/stable/performance.html)指出，峰值内存与页面像素数和并发任务数相关。页面分辨率越高、同时运行的任务越多，占用的内存就越大；机器吃力时减少并发，并留出磁盘空间存放提取出的页面文件和临时文件。先拿有代表性的几页试跑，再安排大批量处理。

在线处理则需要可用的浏览器、网络连接、上传 PDF 的权限，以及存放下载文件的本地空间。使用 PDF Craft 的在线流程，不必安装本地 OCR 引擎，也不用配置 GPU。上传限制和校对工作依然存在。

## 测试源语言与版面

确认工具支持你要处理的具体文字和材料。现代印刷体、旧式字体、多语言混排和小号注释，识别难度各不相同。一份通用的语言列表，并不能说明它在你这本书上的表现。

挑选页面时，要包含普通正文、分栏、注释，以及表格或公式（如果有）。还要包含一处跨页衔接和一章的开头。检查阅读顺序，而不只是拼写。单词拼对了但顺序错乱，拿去翻译或重排都没法用。

如果是竖排书，再加一页混排版面和带小号批注的页面。如果是扫描质量差的页面，要放入你实际需要处理的阴影或模糊页面，而不只是最干净的那几页。

## 分别比较隐私、费用和交付物

发送私密材料之前，先阅读当前的处理与数据保留条款。如果项目要求使用经过批准的本地环境，就要把 OCR、临时文件以及后续可能用到的翻译服务放在一起核实。不要因为结果保存在本地，就认为处理过程也在本地完成。

费用方面，要弄清安装或授权要求、使用收费，以及准备和校对所需的时间。免费可得的引擎，配置起来也可能相当费事。在线服务用起来方便，但后续校对仍要花时间。

PDF Craft 为新用户提供试用额度，处理按用量计费。当前价格见[定价](https://pdfcraft.ai/zh-CN/pricing/)。在线 PDF 流程提供 EPUB 或 Markdown 转换，这两种输出都可选择翻译。PDF 输出走的是翻译流程。不要据此推断它还能导出 Word，或提供完整的 OCR 编辑面板。

## 先比一个代表性样本，再换一种源文件类型

每次都用同一份输入，并记录每个方案所用的选项。具体比较以下几项：

1. 一段含有姓名、数字和标点的正文。
2. 一处双栏衔接，或一段与正文并排的图注。
3. 一个表头及其对应的行数据。
4. 一个公式，以及解释其中符号含义的句子。
5. 一个注释标记、完整的注释内容，以及（如适用）返回正文的位置。

按位置和类型记录错误，不要拿极小的样本推算百分比。然后用书库中另一种有代表性的源文件类型重复一遍。一本干净的小说，不能证明这套方案也适合技术教材。

## 按完整工作流程来选择

如果你要的是可检索的存档，就直接评估这种输出。如果你要的是能顺畅阅读的电子书，就检查目录导航和重排效果。如果你要的是可编辑的笔记，就在编辑器里比较提取出的结构。

可以在 [PDF 工作区](https://pdfcraft.ai/zh-CN/pdf-craft/)开始处理受支持的文件。[扫描 PDF 翻译指南](https://pdfcraft.ai/zh-CN/blog/translate-scanned-pdf/)介绍了后续的语言处理环节，[OCR 与翻译](https://pdfcraft.ai/zh-CN/blog/ocr-and-translate-workflow/)则说明了两者各自需要校对什么。最合适的选择，是实际产物和校对负担都契合你这本书的那一个，而不是准确率口号喊得最响的那一个。