PDF的文字錯誤怎麼辦？修正PDF上錯誤的OCR文字 / How to perform OCR PDF with Renderable Text Error

3月 30, 2018 OS/Windows , Software/PDF , Software/Windows , Windows/電腦軟體 2 Comments Edit Copy Download

雖然PDF檔案是標準格式，但是隨著PDF檔案產生的方法不同、文字辨識OCR工具帶來的字型與編碼問題，很多早期的PDF檔案雖然可以選取、複製文件上的文字，但複製出來的文字卻會是亂碼。我參考了Grant Robertson的建議，將PDF輸出到XPS印表機，再將XPS輸出成PDF，這樣就可以在PDF上進行OCR辨識，最後就能得到正確辨識的檔案了。以下我就來整理這一套做法，供大家參考參考。

OCR文字錯誤的檔案 / PDF with Renderable Text Error

• 1. Renderable Text Error.pdf

這是「Does test delay eliminate collaborative inhibition?」論文中的一頁。這個PDF檔案雖然有經過OCR，可以直接選取、複製。

但問題是，它複製出來的文字實際上都是亂碼。

就算Acrobat Pro DC有提供OCR工具，但因為該文件本身已經有經過OCR處理，包含了可渲染的文字(renderable text)，因此不能再次進行OCR。

Acrobat官網的建議是把PDF輸出成tiff圖片，再將圖片建立成PDF，然後再重新OCR。但這種做法會造成文字解析度變差，原本清晰的向量文字變成了點陣文字，看起來就不太舒服。最後我找到的是Grant Robertson使用XPS印表機做法，讓我們來看看怎麼做吧。

XPS印表機 / XPS Printer

XPS (XML Paper Specification)是微軟開發的文件檔案格式，類似於Acrobat的PDF，不過不能像PDF這樣修改檔案的內容。製作XPS檔案的方式是利用Microsoft XPS Document Writer這個虛擬印表機來列印檔案，就可以將任何可列印的檔案製作成XPS格式的檔案。

在Windows Vista之後的作業系統都有預設安裝這個印表機，不過如果是Vista之前，或是不小心砍掉了這個印表機的話，可以參考[Windows] 安裝Microsoft XPS Document Writer 印表機這篇來重新安裝。

待會我們的操作就會用到這個XPS印表機，讓我們開始吧！

Step 1. 將PDF列印成XPS檔案 / Print a PDF into XPS format file

雖然用任何可以開啟PDF的檔案來進行列印即可，不過這邊我使用的是Acrobat Pro DC的列印對話視窗。在這個對話視窗中，我們主要進行兩個設定：

• Printer: Microsoft XPS Document Writer：這樣就可以輸出XPS檔案。
• [v] Choose paper source by PDF page size：這樣輸出的頁面尺寸就會配合原本的PDF檔案大小。

按下Print之後，XPS印表機就會要你選擇路徑跟檔案名稱來保存XPS檔案。

這樣我們就產生了副檔名為.xps的XPS檔案了。

Step 2. 用Acrobat Pro DC開啟XPS檔案

雖然XPS預設是用XPS檢視器開啟，但這邊我們選擇使用Acrobat Pro DC開啟它，這樣可以節省轉換為PDF的步驟。

在開啟XPS檔案的時候，Acrobat Pro DC就已經默默地將它轉換成PDF檔案了。從XPS檔案轉換過來的PDF檔案已經失去了可渲染的文字，因此我們不能直接選取，還需要進行文字辨識OCR才行。讓我們繼續進行下一步。

Step 3. 文字辨識 / OCR

接下來就可以用我們熟悉的OCR工具來為PDF進行文字辨識。Acrobat Pro DC的文字辨識放在「Tools > Enhance Scans」中，選擇「Recognize Text」，然後設定想要辨識的語言，再按下「Recognize Text」，這次PDF就能夠正常進行OCR處理。

經過OCR之後的PDF檔案就能選取與複製。

複製之後的文字也相當正常囉。

把經過OCR處理的PDF檔案儲存起來，整個流程就完成了。

檔案大小的問題 / A issue about the file size

乍看之下這樣的做法可以解決OCR文字錯誤的問題，但背後卻隱藏著另一個問題：檔案大小急劇增加。讓我們來看看每階段操作產生的檔案大小變化：

• 1. Renderable Text Error.pdf (31KB)：這是原始包含OCR錯誤文字的檔案，一頁只有31KB。
• 2. Print PDF to XPS.xps (74KB)：轉換成XPS之後，檔案大小增加超過兩倍。
• 3. Print XPS to PDF.pdf (362KB)：從XPS轉換成PDF，檔案大小增加了5倍。
• 4. OCR Text.pdf (480KB)：再進行OCR的處理，檔案大小又增加了1.3倍。

跟原始檔案相比，轉換到最後的檔案足足增大了15倍之多！

大部分論文的頁數不多，就算經過這樣處理，檔案大小也頂多不會超過10MB。但若是很多頁的厚重報告，轉換之後的檔案尺寸可能會相當驚人，大家在用這方法之間可能要三思。

Grant Robertson也在文中討論了這個問題，他建議的是使用ClearScan，也就是Output的「Searchable Image」。這樣可以讓檔案變得非常小，並且保留可選取文字的功能。

但是這樣會讓文字從向量轉換成黑白的點陣圖，使得文字看起來不再清晰。如果不是很介意檔案大小的話，我寧願讓檔案大一點、並且維持清晰的文字，看起來比較舒服。

小結 / In closing

其實PDF中OCR文字辨識錯誤的問題困擾了我很久，今天總算是花點時間來找找方案，最後才發現原來還有XPS這招可以用，真是感謝Grant Robertson的說明。希望這個方法對你也有幫助！

這篇修正PDF中OCR文字錯誤的教學就到這邊囉。你也有遇到這種PDF檔案嗎？你都是怎麼處理的呢？如果你有什麼建議的話，歡迎在下面留言提出指教。如果你覺得這篇介紹有幫到你的話，請幫我在AddThis分享工具按讚、將這篇分享到Facebook等社群媒體吧！感謝你的耐心閱讀，讓我們下一篇見。