要将扫描 PDF 转为 Markdown，只需把它添加到 MD Factory。应用会找出文字仅以图片形式存在的页面，在电脑上用内置 OCR 识别文字，并在 PDF 旁边保存一个 Markdown 文件。

OCR 能很好地处理干净的印刷页面，但遇到褪色、歪斜或手写的页面就会出错，所以要预留时间对照扫描件检查结果。下面介绍与普通 PDF 不同的地方：OCR 语言、“需要检查”状态、表格、手写内容和扫描仪设置。

深色石质桌面上的一叠扫描纸页，以及几张用夹子夹住的纸。
在 OCR 读取之前，扫描页面上的文字只是图片。

转换扫描 PDF

  1. 打开 MD Factory。
  2. 点击“添加文件”并选择 PDF，或将 PDF 拖到窗口中。要转换整个扫描件文件夹（包括子文件夹），请点击“添加文件夹”。
  3. 转换会立即开始。处理第一个 PDF 时，在处理页面之前，该行会显示“加载 PDF 引擎”。
  4. 等待该行显示结果：“已完成”“需要检查”或“失败”。
  5. 双击该行中的结果路径，即可打开 Markdown 文件。

Markdown 文件与 PDF 同名，保存在同一个文件夹中。如果页面中有照片或图表等图片，它们会放入旁边的文件夹。PDF 本身不会被修改。

Scans/
  lease-agreement.pdf
  lease-agreement.md
  lease-agreement_images/

PDF 会逐个转换，队列中其他类型的文档则同时处理。应用只读取本地驱动器上的文件。如果扫描仪把文件保存到网络文件夹，请先将 PDF 复制到电脑上。

应用如何判断页面是否需要 OCR

当页面上的文字只以图片形式存在时，就需要 OCR。MD Factory 会检查每个 PDF 中有没有可选择的文字，然后从两种方式中选择一种：

  • 如果没有任何页面含有可选择的文字，整个文件就被视为扫描件，每一页都整页进行 OCR 识别。
  • 如果部分页面有文字，应用会原样保留这些文字，只对以图片形式出现的文字进行 OCR，例如打字报告中夹着的一页扫描件。

混合型 PDF 无需任何准备。在我们的测试中，一个三页的文件（首页和末页是打字文本，中间一页是扫描件）转换成了一个 Markdown 文件，包含全部三页的文字。

MD Factory 只接受 PDF 格式的扫描件。JPG、PNG 或 TIFF 等图片文件会被列为已跳过，所以请将扫描应用设置为保存 PDF。

如果 PDF 的每一页都已有可选择的文字，就用不到 OCR。 PDF 转 Markdown 指南 介绍了这类文件的转换方法。

选择 OCR 语言

每个 PDF 开始时，OCR 语言都设为“自动(脚本检测)”。在此模式下，应用会判断每页使用哪种文字，例如拉丁字母、西里尔字母、希腊字母或阿拉伯字母，然后用对应这种文字的模型读取页面。我们在 300 dpi、12 磅字号的干净测试页上测试时，“自动”模式识别英文页面没有出错，识别俄文页面时每一百个字符错不到一个。

当 PDF 的结果为“需要检查”或“失败”时，再选择语言：

  1. 队列处理完成后，点击该文件所在行的状态。随即会打开一个窗口，列出发现的问题。
  2. 打开“OCR语言”列表，选择文档的语言。
  3. 点击“重试”。

没有提前选择语言的设置。每个新的 PDF 都从“自动”开始，下次重试时，会预先选中您上次选择的语言。

如果一页上的两种语言使用同一种文字，例如英语和德语，“自动”模式可以正常处理。

如果两种文字不同，“自动”会把整页当作其中一种来读取。对大多数文字来说，对应的模型也能识别英文，所以希腊文或阿拉伯文页面上的英文术语通常能正确识别。西里尔字母是例外：在我们的测试中，一个同时有英文和俄文的页面得到了“需要检查”。请用该页的主要语言重试，然后对照扫描件检查另一种文字的单词。

扫描件显示“需要检查”是什么意思

“需要检查”表示应用已保存 Markdown 文件，但发现了值得检查的问题。对于扫描件，点击状态打开的窗口通常会显示以下消息之一，括号中是页码：

提示信息情况处理方法
OCR 无法读取本文档的部分内容。选择一种语言并重试。该页识别出的单词平均置信度低于 75%，或者页面有一部分无法读取。选择文档的语言后重试。如果语言已经正确，请对照扫描件检查该页，或重新扫描。
页面没有提取的文本。根据来源进行检查。该页没有识别出任何内容。空白页也会出现这条消息。在 PDF 中查看该页。如果页面上有文字，请重新扫描得更清晰一些。

如果所有页面都没有识别出文字，文件会被标记为“失败”，窗口会建议明确指定 OCR 语言后重试。

“已完成”并不代表每个字符都正确。检查看的是整页的平均值，所以如果页面其他部分都很干净，读错一个字符不会触发提示。在上文提到的干净俄文测试页上，数字 1248 被识别成了 124%。

在依赖这些文字之前，请将要用到的每一项都与扫描件比对：姓名、日期、金额，以及账号或证件号码。

歪斜、有噪点和褪色的页面

轻微倾斜和少量斑点不成问题。在我们的测试中，一张倾斜约一度、略有模糊并布满细小斑点的测试页，转换结果为“已完成”。

质量差的扫描件会被标记出来。一张模糊、低对比度、以低分辨率扫描且倾斜 3.5 度的页面，得到了“需要检查”。

横放或倒置的页面，请在转换前用扫描应用或 PDF 编辑器旋转过来。如果页面得到“需要检查”是因为质量而不是语言，请按下面的设置重新扫描。

扫描页面中的表格

MD Factory 也会在扫描页面中查找表格，并将其写成 Markdown 表格。但每个单元格仍然是 OCR 识别的文字，而且表格很容易掩盖错误：一列数字中错了一位，看起来和正确的数字一样可信。

请逐行对照扫描件检查表格。把某一列加起来，与印刷的合计核对。如果数值跑到了错误的行或列，请在 Markdown 中改正。PDF 指南中有 一个示例，演示如何恢复丢失了行的表格.

手写内容

MD Factory 识别的是印刷和打字的文字，并不适用于手写内容：手写笔记、页边批注和填写过的表单字段，可能会变成乱码或直接缺失。

凡是手写的内容，都不要依赖转换后的文字。请以扫描件为准，自己把这些部分打出来。

怎样扫描，OCR 效果更好

识别质量取决于图像。 Tesseract 的 OCR 质量改进指南 列出了哪些因素会让图像难以识别。就扫描而言，可以归结为五点：

  • 以 300 dpi 或更高的分辨率扫描。该指南指出，分辨率至少为 300 dpi 时识别效果最好。
  • 把纸张端正地放在玻璃板上。页面一旦倾斜，就很难分辨出一行行文字。
  • 保持光线均匀，用手机拍摄页面时尤其要注意。阴影和明暗不均的背景会让文字更难与纸张区分。
  • 盖上扫描仪盖板，或裁掉边缘。扫描页面周围的黑边可能被识别成多余的字符。
  • 使用手头最干净的副本。斑点和其他噪点会降低准确率。

每份文档单独保存为一个 PDF。MD Factory 为每个 PDF 生成一个 Markdown 文件，所以把一叠互不相关的文件扫描进同一个文件，就会得到一篇很长的笔记。

身份证件、合同和病历

扫描件往往涉及个人信息：护照、合同、银行对账单、病历。MD Factory 在您的电脑上进行识别，不会上传 PDF 或识别出的文字。

Markdown 文件保存在扫描件旁边。原本锁在图片里的文字，现在成了纯文本，任何能访问该文件夹的人都可以阅读和搜索。如果该文件夹同步到 OneDrive 或其他云服务，Markdown 文件也会一起同步。我们的 无需上传即可转换文档的指南 介绍了如何查看文件夹的存储位置。

对于法律、医疗和财务文件，扫描件仍然是原件。请把 Markdown 当作工作副本，在据此采取行动之前，对照扫描件核对每一个数字。不再需要时，删除 Markdown 文件及其图片文件夹。