# 為掃描書挑選 OCR 工具：用同一批頁面實測比較

以同一批具代表性的掃描書頁面，從安裝設定、語言與版面處理、隱私、費用與輸出結果等面向比較各種 OCR 做法，而非只看準確率排名。

該用哪套 OCR 工具，取決於你手上的檔案和想要的結果。可搜尋的 PDF、可編輯的 Markdown、可重排的 EPUB，是三種不同的輸出。一套系統即使能正確辨識乾淨的段落，碰到書裡的註釋、多欄排版或特殊字體，仍可能力不從心。

比較各種做法時，請用同一批原始頁面。本文說明的是有文件記載的操作流程與評估重點，並非實測的準確率排名。

## 比較安裝設定與硬體負擔

| 做法                 | 你需要準備什麼                     | 該先問的輸出問題                           |
| ------------------ | --------------------------- | ---------------------------------- |
| 以 Tesseract 為基礎的處理 | 安裝程式、語言資料、影像前處理，以及腳本或前端介面   | 會產出哪些文字與版面資訊？整本書由誰組裝？              |
| OCRmyPDF           | 相容的本機環境及其相依套件               | 有可搜尋的 PDF 就夠了，還是仍須再做一次轉檔？          |
| 桌面版 PDF 編輯器        | 支援的作業系統、軟體授權，以及版本提供的 OCR 工具 | 你用的版本能輸出哪些可編輯格式或 PDF？              |
| PDF Craft 線上轉檔     | 瀏覽器、支援的 PDF、選定的輸出格式，以及校對計畫  | 要 EPUB 來閱讀，還是要 Markdown 來編輯？需要翻譯嗎？ |

[Tesseract 的文件](https://tesseract-ocr.github.io/tessdoc/)說明了這套 OCR 引擎及其支援的安裝方式。[OCRmyPDF](https://ocrmypdf.readthedocs.io/en/stable/introduction.html) 說明如何為掃描 PDF 加上 OCR 文字層。Adobe 也記錄了自家的[掃描強化與 OCR 流程](https://helpx.adobe.com/acrobat/desktop/create-documents/scan-documents-to-pdfs/enhance-scans.html)。請依你的環境查閱這些來源的最新內容，別假設每種做法都能完整重建電子書。

本機處理意味著運算與儲存都由你自行安排；線上做法則把處理交給服務端。光看桌面版介面，無法證明所有功能都在離線環境運作，實際設定還是要逐一確認。

以具體的本機安裝為例，Tesseract 需要執行檔，以及你想辨識之文字系統的訓練語言資料。OCRmyPDF 把 OCR 與 PDF 處理結合在一起，其[安裝指南](https://ocrmypdf.readthedocs.io/en/stable/installation.html)分別提供 macOS／Homebrew、Linux 套件與 Windows 的安裝方式。只安裝 Python 套件，並不會一併裝好所有系統相依元件。請查閱你所安裝版本的系統需求，包括 Tesseract，以及受支援的 PDF 點陣化工具（例如 pypdfium2 或 Ghostscript）；這些元件的作用與選用功能會隨版本而異。開始處理整本書之前，先確認指令與語言資料都能正常使用。

資源需求取決於頁面本身，不能只看 PDF 壓縮後的檔案大小。OCRmyPDF 的[效能說明](https://ocrmypdf.readthedocs.io/en/stable/performance.html)指出，尖峰記憶體用量與頁面像素數及同時執行的作業數有關。解析度越高、同時執行的作業越多，記憶體需求就越大；電腦吃不消時就降低同時處理的數量，並預留足夠的工作磁碟空間，供擷取出的頁面檔與暫存檔使用。大批檔案排程處理前，先拿幾頁具代表性的頁面試跑。

改用線上服務時，你需要可用的瀏覽器、網路連線、上傳 PDF 的權限，以及存放下載檔案的空間。PDF Craft 的線上流程不必安裝本機 OCR 引擎，也不用設定 GPU，但仍受上傳限制，校對工作也一樣要做。

## 測試原文語言與版面

請針對實際要處理的文字系統與素材，確認語言支援是否到位。現代印刷字體、舊字體、多語混排與細小註釋，辨識難度各不相同。一份泛泛的語言清單，無法證明它在你這本書上的表現。

挑選的頁面要涵蓋一般段落、多欄內容、註釋，以及書中若有出現的表格或公式。也要包含跨頁銜接處與章首頁。檢查閱讀順序，而非只看錯字。詞語本身拼對了，卻被排到錯誤的順序，拿去翻譯或重排都會出問題。

若是直排書，請再加入一頁混合版面與細小標註。若是掃描品質受損的檔案，就納入你實際需要處理的陰影或模糊頁面，不要只挑最乾淨的幾頁。

## 分別比較隱私、費用與交付成果

送出私人資料前，先讀過目前的處理與保留條款。若專案要求使用經核可的本機環境，請把 OCR、暫存檔，以及後續可能用到的翻譯服務一起確認。別因為輸出檔存在本機，就認定處理過程也在本機完成。

費用方面，要釐清安裝或授權要求、使用費，以及前置準備與事後校對所需投入的時間。免費取得的引擎，安裝設定仍可能相當費工；線上服務用起來方便，但後續校對仍要花時間。

PDF Craft 提供新使用者試用額度，並依實際用量計費，目前費率請見[價格方案](https://pdfcraft.ai/zh-Hant/pricing/)。線上 PDF 流程可轉成 EPUB 或 Markdown，這兩種輸出可選擇是否翻譯；PDF 輸出則屬於翻譯流程。請勿據此推論它支援 Word 匯出，或有完整的 OCR 編輯介面。

## 先用一份具代表性的樣本比較，再換另一種來源類型

每次比較都使用同一份輸入檔，並記錄各做法採用的設定。針對以下幾項具體內容逐一比對：

1. 一段含有姓名、數字與標點符號的段落。
2. 跨欄銜接處，或文字旁的圖說。
3. 表格標題及其對應的列值。
4. 一條公式，以及定義其中符號的句子。
5. 註釋標記、完整註釋，以及（若適用）回到正文的路徑。

錯誤請按位置與類型記錄，不要拿極少量的樣本推算百分比。接著換成藏書中另一種同樣重要的來源類型再測一次。一本乾淨的小說通過測試，不代表同樣的做法適合技術教科書。

## 以完整流程為準來選擇

需要可搜尋的典藏檔，就直接評估這類輸出。需要好讀的電子書，就檢查目錄導覽與文字重排。需要可編輯的筆記，就在編輯器裡比對擷取出來的結構。

可從 [PDF 工作區](https://pdfcraft.ai/zh-Hant/pdf-craft/) 開始處理支援的檔案。[掃描 PDF 翻譯指南](https://pdfcraft.ai/zh-Hant/blog/translate-scanned-pdf/)說明後續的語言處理階段，[OCR 與翻譯的差別](https://pdfcraft.ai/zh-Hant/blog/ocr-and-translate-workflow/)則釐清兩者各自該負責的校對工作。最適合的選擇，是實際交付成果與校對負擔都符合你這本書需求的做法，而不是準確率宣稱最響亮的那一個。