PDF 中的扫描表格是图像中的数字网格。人眼看到的是行和列。 OCR 软件会看到页面图片并尝试提取它能找到的任何文本。结果往往是一片混乱，数字之间的关系丢失了。第三列中的值最终出现在第二列中。行标题附加到错误的数据。在扫描的表上运行 OCR 并仅导出清晰映射到行和列的数字数据，需要保留表结构的 OCR 设置以及将数字与周围文本隔离的导出步骤。 OCR PDF表格提取过程比一般文本 OCR 要求更高。
为什么常规 OCR 在表格上失败
一般 OCR 将页面图像处理为连续的文本流。它识别字符并按照它们在页面上出现的顺序输出它们，通常是从左到右，从上到下。一张桌子打乱了这个流程。 OCR 引擎遇到由大间隙分隔的短文本片段。它必须决定这些片段是否是同一段落、单独的行或表格元素的一部分。通用 OCR 引擎并非旨在进行这种区分。
表格单元格中的数字通过空格与其相邻数字隔离。其上方的列标题可能被识别为单独的文本块。其左侧的行标签可以被识别为另一个单独的块。 OCR 输出将这三部分呈现为断开的文本。列标题、行标签和数据值之间的关系丢失。 扫描的 PDF 表变成一堆没有结构意义的数字。
使用表感知 OCR 引擎
专业 OCR 引擎包括表格检测作为核心功能。这些引擎分析页面图像并通过检测网格线、列对齐和一致的行间距来识别表格结构。他们将表格作为结构化对象进行处理，单独识别每个单元格并记录其行和列位置。输出是结构化格式，例如电子表格或 CSV 文件，其中保留表结构。
Adobe Acrobat Pro 包含表格感知 OCR。在扫描文档上运行 OCR 时，启用“识别文本”选项并确保“识别表格”设置处于活动状态。 OCR 引擎识别页面上的表格并将其提取为结构化数据。基于浏览器的OCR PDF平台（包括WukongPDF）还支持表格识别，以电子表格格式返回提取的数据。
仅导出数值数据
OCR 识别表格结构后，输出通常包括表格中的所有文本：行标签、列标题和数据值。要仅导出数字，请过滤输出。在电子表格中，删除文本列并保留数字列。或者，在 OCR 导出设置中，指定仅应提取数字数据。一些 OCR 工具可以识别每个单元格中的数据类型并允许选择性导出数字单元格。
当表数据将输入另一个系统时，数字导出非常有用。需要季度收入数据的财务模型不需要行标签。需要测量值的统计分析不需要列标题。 提取 PDF 数据步骤生成一个干净的数字数据集，可供导入。文本标签可以单独导出并用作参考以了解数字代表的含义。
清理和验证提取的数字
OCR 从来都不是完美的。数字特别容易出错，因为许多字符看起来很相似。零可以被识别为字母 O。一可以被识别为小写 L。逗号可以被识别为句点。提取数字数据后，扫描输出是否有 OCR 错误。查找与其邻居相比超出范围的数字。如果一列价值约为 45 万美元，季度收入为 45,000 美元，则属于危险信号。
将提取的总计与原始文档中的任何摘要数字进行比较。如果原始表格底部包含一行总计，请将提取的数字相加，并将总计与原始数据进行比较。差异表示一个或多个单元格中存在 OCR 错误。 扫描的 PDF原件是事实来源。 OCR 输出是需要验证的近似值。
处理图像质量较差的扫描表格
在点阵打印机上打印、复印两次并以低分辨率扫描的表格提出了严峻的 OCR 挑战。网格线可能已损坏或丢失。这些数字可能很模糊或部分模糊。 OCR 引擎可能根本无法检测表格结构，而是退回到一般文本识别。在 OCR 之前对扫描图像进行预处理。增加对比度以使微弱的数字变暗。应用去斑滤镜去除 OCR 引擎可能将其解释为小数点或逗号的杂散点。
如果表格图像质量对于自动 OCR 来说太差，手动转录可能是唯一的选择。手动将数字输入到电子表格中，并从扫描图像中读取它们。虽然速度很慢，但会产生完全准确的数据。手动转录和 OCR 校正之间的时间权衡取决于表格的大小和 OCR 准确性。 OCR 准确性较差的小表手动转录速度更快。具有良好 OCR 准确性的大表可以更快地纠正 OCR 输出。
从扫描的表中提取干净的数字数据是一个多步骤的过程，需要仔细的 OCR 配置和彻底的验证。然后，提取的数字可以流入分析、建模或报告系统，就像它们是数字化创建的一样。
WukongPDF 通过基于浏览器的平台提供此工作流程所需的工具，该平台适用于所有操作系统和设备。
本文中描述的技术可以使用大多数平台上提供的 PDF 工具来实现，包括基于浏览器的服务、桌面应用程序和移动应用程序。
通过正确的方法和适当的配置，此 PDF 任务将成为一项例行操作，可为任何文档生成一致且可靠的结果。
了解这些概念并应用此处描述的方法将帮助您有效地处理此 PDF 场景，并对输出的质量充满信心。
本文介绍的工作流程和最佳实践为在此特定环境中处理 PDF（无论是个人、专业还是组织用途）提供了坚实的基础。
本文涵盖了有效处理此 PDF 任务所需的基本概念和实际步骤，从初始设置到最终输出验证。
与许多文档操作一样，结果的质量取决于设置过程中的谨慎程度以及分发或归档最终文档之前验证步骤的彻底性。
可靠地执行此操作的能力对于任何文档工作流程都是有价值的补充，可以节省时间并产生能够很好地反映个人和组织的专业结果。
无论是第一次执行此操作还是完善已建立的工作流程，此处描述的原理和方法都提供了清晰且实用的指导。
PDF 生态系统不断发展，新工具和功能不断涌现。随时了解可用选项可确保文档工作流程保持高效。
通过更快的文档处理、更少的错误以及满足收件人需求的更专业的输出，在掌握这些 PDF 技术上投入的时间会得到数倍的回报。
本文对该主题进行了全面的概述，涵盖了实现预期结果所需的基本概念和实用技术。
有了这些知识，读者就可以充满信心地完成任务，并生成符合质量和可靠性专业标准的文档。
本文概述的方法和途径代表了处理 PDF 文档管理这一方面的当前最佳实践。
通过遵循此处提供的指导，读者可以获得一致的高质量结果，同时避免导致沮丧和浪费精力的常见陷阱。
PDF 格式仍然是跨行业和平台的文档交换标准。掌握这些技术可以提高个人生产力和组织能力。
应用这些技术的读者会发现，通过实践和正确的工具配置，曾经看似复杂的任务变得简单且易于管理。
学习正确的 PDF 处理的投资可以在无数的文档任务中获得回报，使其成为现代数字工作场所中最实用的技能之一。
经过实践，这些 PDF 操作已成为第二天性，使文档专业人员能够专注于内容，而不是与文件格式挑战作斗争。
本文提供的指导使读者能够有能力、有把握地处理 PDF 工作的这方面。
掌握这种 PDF 技能是一项投资，随着每个文档的处理和每个工作流程的简化，它会持续带来回报。
从扫描的表格中准确提取数字数据可将纸质记录转换为可用的数字信息。
这项技能一旦发展起来，就会成为任何文档专业工具包中永久且有价值的一部分。
此处获得的知识适用于各种工具、平台和文档类型，对于使用 PDF 的任何人都普遍有用。