文章
為什麼有些 PDF 無法複製文字
在某一份 PDF 裡試著選取一行文字，字會正常反白，可以複製。在另一份 PDF 裡做同樣的動作，卻什麼都不會發生，或游標會像抓一張照片一樣，把整頁都選起來，因為它本來就是一張照片。兩份看起來一模一樣的檔案，底層的建構方式可能完全不同。以下說明如何分辨你手上的是哪一種，以及該怎麼處理那種抗拒複製的檔案。
兩種完全不同的 PDF 頁面
PDF 可以用兩種非常不同的方式儲存一頁。在文字型 PDF 裡，每個字母都是一個帶有 Unicode 值、字型與位置的字元物件，就像網頁儲存文字的方式一樣：檢視器可以選取它、搜尋它，螢幕報讀器也能把它讀出來。在影像型 PDF 裡，整頁是一張扁平的圖片，通常來自掃描器、傳真機，或把一張文件照片「列印成 PDF」的步驟。文字在你眼裡看起來一樣，但對這個檔案格式來說，底下並沒有字元，只有像素。
快速分辨你拿到的是哪一種
按下 Ctrl+F 或 Cmd+F，搜尋一個你在頁面上明顯看得到的字。如果搜尋找到並反白了它，這一頁就有真正的文字圖層。如果整份文件裡什麼都找不到，不管這一頁看起來多清晰、多像打字文件，它都是一張圖片。用滑鼠拖曳選取一行文字，得到的答案也一樣：是反白選取，還是單純的矩形選取範圍。
用 OCR 重建文字
光學字元辨識（OCR）會讀取影像型頁面的像素，把形狀比對到某個語言已訓練好的字母模型，再依辨識出的字元原本出現的位置，重建出一層文字。像 ocr 這樣的工具，會完全在瀏覽器中完成這件事：不會上傳任何內容，輸出的是一份可以搜尋、複製或編輯的純文字檔。準確度取決於來源：乾淨、端正、高解析度、語言支援良好的掃描檔，辨識結果可靠；歪斜、模糊、對比度低或手寫的頁面，會產生更多錯誤，有時是認錯一個字元，有時是整個字讀錯。
檔案已經有文字，但擷取結果亂七八糟
如果你的 PDF 確實有真正的文字圖層，但用 pdf-to-text 這類工具擷取出來的文字順序很奇怪、欄位被混在一起，或間距被壓縮，那是另一個完全無關的問題：文字物件確實存在，但它們在頁面上的閱讀順序，沒有依照一般程式自然預期的方式儲存。這是擷取後需要整理的版面小問題，不代表文字不見了，也不需要用 OCR 來解決。
本文涉及的工具
常見問題
我的 PDF 看起來像一份正常的打字文件，但還是無法選取任何文字，為什麼？
最可能的原因是，這是一份掃描或拍照後存成 PDF 的頁面，或是特意被壓平成圖片的文件。從外觀上看，它可能和文字型 PDF 沒有差別；差異只有在你試著搜尋或選取時才會顯現。用 OCR 處理一次，就能從像素重建出一層真正可選取的文字。
OCR 在每種語言上的表現都一樣好嗎？
不一樣。準確度取決於是否有針對該語言與文字系統訓練好的模型，也取決於掃描的品質。在乾淨、端正的掃描檔上，支援良好的語言辨識結果可靠；手寫、低解析度影像，或訓練資料較少的語言，會產生較多錯誤。OCR 的輸出永遠是盡力而為的謄寫結果，值得在依賴它之前快速校對一遍。