一张纸上的合同，如果只是"拍个照存档"，它就真的只是一张照片——你不能搜索它、不能复制其中的文字、不能直接编辑修改。

在数字化办公的背景下，纸质文档的电子化需求无处不在：客户寄来的纸质合同需要录入系统，供应商发来的传真需要提取关键条款，历史档案库中成箱的纸质文件需要批量数字化存档。面对这些场景，"手动逐字录入"显然不现实——OCR技术就是为了解决这个问题而存在的。

WPS PDF内置了OCR文字识别功能（全称Optical Character Recognition，光学字符识别），可以将图片或扫描件中的文字识别并提取为可编辑的文本内容。它把"拍下来的文档"变成"真正可用的数字文档"——可以搜索、可以拷贝、可以编辑、可以压缩。

本文将从OCR的基本原理讲起，系统覆盖扫描件的预处理、识别操作、结果校正、批量处理与质量控制，帮你建立起一套完整的纸质文档数字化工作流。

一、OCR技术的基本原理
1.1 OCR是什么
OCR（Optical Character Recognition，光学字符识别）是一种将图片中的文字形状"翻译"为计算机可以编辑的文本字符的技术。通俗地说：OCR让电脑能"看懂"图片上的字。

纸质文档经过扫描或拍照后，得到的文件本质上是像素点的集合——计算机看到的只是一堆色块，无法区分"那是一个字"还是"那是一团噪点"。OCR通过以下几个步骤完成"看图识字"：

图像预处理： 去噪、二值化、倾斜矫正，让文字区域更清晰。
版面分析： 识别页面中的文字区域、表格区域、图片区域，区分文字与排版元素。
字符分割： 将文字行切分为单个字符，确定每个字符的边界。
特征提取与匹配： 提取每个字符的形状特征，与字库中的字符模板进行匹配，确定最佳候选字符。
后处理： 结合上下文语义与语言模型，纠正识别错误的字符。
1.2 WPS PDF OCR的能力范围
WPS PDF的OCR功能主要支持：

识别语言： 中文简体、中文繁体、英文，以及中英混排文档。
输入格式： 扫描生成的PDF、手机拍照的图片（JPG/PNG）、图片型PDF。
输出格式： 可编辑的WPS文字文档、可搜索的PDF（保留原始图片+隐藏文字层）、纯文本。
特殊元素识别： 表格、页眉页脚、页码等排版元素的结构化还原。
1.3 OCR的准确率边界
理解OCR的准确率上限很重要，有助于你知道"哪些可以放心让OCR处理，哪些需要人工复核"：

标准印刷体（宋体/黑体/楷体）： 准确率可达98%～99%，高质量扫描件下接近完美。
表格与数字： 准确率约90%～95%，表格结构可能部分变形，数字（尤其是手写）错误率较高。
手写文字： 准确率较低，通常50%～80%不等，取决于书写工整程度。潦草的手写体建议人工录入。
印章/压线文字： 印章与文字重叠、文字被横线贯穿时，OCR识别率显著下降。
非常用字体/艺术字： 如书法字体、装饰性文字，OCR可能无法识别或产生大量错误。
二、扫描件的准备与预处理
2.1 扫描的参数设置
OCR的识别质量，很大程度上取决于输入图片的质量。好的输入，是高质量OCR识别的前提。

扫描仪参数建议：

分辨率： 300DPI是最合适的平衡点。低于200DPI时，小字号文字可能粘连导致识别失败；高于600DPI文件体积过大，对识别准确率提升有限。
色彩模式： 纯文字文档建议选择"黑白"或"灰度"模式。彩色模式体积大且对OCR准确率无增益。
亮度/对比度： 适当增加对比度，让文字更清晰、背景更干净。文字与背景的对比越强烈，OCR识别越准确。
去网纹： 如果原稿是报纸、杂志等印刷品，建议开启扫描仪的"去网纹"功能，减少印刷网点对OCR的干扰。
手机拍照参数建议：

确保光线充足且均匀，避免阴影覆盖文字区域。
拍摄时镜头与纸面保持平行，减少透视变形。
使用WPS手机APP的"拍照扫描"功能拍摄，WPS会自动完成裁剪、矫正与增强。
2.2 WPS PDF中的预处理工具
如果扫描件已经生成或拍摄完成，但在OCR之前质量不佳，WPS PDF提供了一些预处理工具：

倾斜校正：

扫描或拍摄时纸张放置不正，页面会有几度的倾斜。WPS PDF的"旋转/矫正"功能可以自动检测页面倾斜角度并纠正。点击"工具"→"页面"→"旋转"或使用自动矫正功能。倾斜超过3度的页面，OCR准确率会明显下降——校正后再识别事半功倍。

图像增强：

对于偏暗、偏模糊、偏灰的扫描件：

调整对比度：提高文字与背景的差异。
去除背景噪点：清除纸张底色中的杂质斑点。
去模糊：轻度锐化处理，使文字边缘更清晰。
页面裁剪：

去除不必要的页面边缘（黑边、阴影、空白区域），让OCR引擎专注于有效文字区域。WPS PDF的"裁剪页面"功能可以批量裁剪所有页面。

2.3 合并多页扫描件
如果一份合同有多页，扫描生成的是多个独立的图片或PDF文件。在OCR之前，建议先用WPS PDF的"合并文档"功能将多页合并为一个文件：

打开WPS PDF，点击"工具"→"合并文档"。
按页面顺序添加文件（支持PDF、JPG、PNG格式混合添加）。
调整页面顺序。
合并为一个PDF文件后再执行OCR。
这样做的好处是：一次OCR处理整份文档，输出结果保持页面顺序与连续性，不需要逐份处理。

三、OCR识别操作步骤
3.1 在WPS PDF中执行OCR
打开需要识别的PDF或图片文件。
点击"工具"→"文字识别（OCR）"。
在弹出的OCR设置对话框中：
选择识别语言（中文、英文或自动检测）。
选择输出类型（可编辑文字文档/可搜索PDF/纯文本）。
设置识别范围（当前页面/所有页面/指定页面范围）。
点击"开始识别"。
识别完成后，WPS自动在新文档中显示识别结果。
3.2 输出格式的选择
可编辑的WPS文字文档：

OCR将图片中的文字识别并排版为WPS文字格式。输出的文档可以直接编辑、修改、排版。WPS会自动尝试还原原始文档的段落结构、标题层级和表格样式。

适用场景：需要基于原文档内容进行修改、引用、重新排版的场景。如合同条款修改、论文文献摘录、会议纪要整理。

可搜索的PDF：

在原扫描件的基础上叠加一层"不可见的文字层"。你看到的仍然是原始扫描图片，但可以选中文字、复制、搜索。文件体积接近原扫描件的大小。

适用场景：需要保留原始文档样貌但需要搜索功能的场景。如历史档案存档、已签合同的电子归档。

纯文本：

只提取文字内容，不保留任何排版格式。输出为.txt格式。

适用场景：只需要文字内容本身，不需要格式的场景。如批量数据提取、内容索引建立、AI训练数据准备。

3.3 识别结果的预览与保存
OCR完成后，不要急于保存。先预览识别结果，注意以下几点：

页码顺序： 确认所有页面的文字都被正确识别并按顺序排版。
表格结构： 检查表格的行列是否对齐、单元格内容是否正确。
特殊字符： 检查数字（0/O/l/1容易混淆）、标点符号、单位符号的识别情况。
空白页： 检查是否有页面未识别（全空白）。如果扫描件中夹带了空白页，应及时去除。
确认无误后选择保存路径与文件名。建议保留一份原始扫描件的备份，不要直接覆盖。

四、识别结果的校对与修正
4.1 常见的OCR识别错误类型
根据经验，以下类型的错误在OCR结果中最常见：

数字混淆： "0"识别为"O"、"1"识别为"l"、"8"识别为"B"、"5"识别为"6"。
中文字符混淆： "已"与"己"、"未"与"末"、"设"与"没"、"日"与"曰"。
标点符号错位： 全角半角混乱、引号配对错误、句号识别为逗号。
字形相似的繁体/简体混用： "發"与"发"、"後"与"后"。
换行断词： 文字行尾的分词不当，导致词语被拆分到不同行。
4.2 高效的校对策略
不推荐"从头到尾逐字通读"的校对方式——这等同于把OCR处理过的文字重新读一遍，效率极低。建议：

策略一：搜索+抽查

先用"查找"功能搜索关键信息（合同金额、日期、人名、产品型号），确认这些关键数据识别正确。如果关键信息无误，多数情况下其他部分也没有大问题。

策略二：重点比对

对可能出错的段落进行重点比对：数字密集的表格、包含特殊符号的技术参数段落、字号非常小或非常规字体的文字。

策略三：差异比对（高级用法）

如果拥有原始电子文档，可以将OCR输出的文字与实际文档进行自动化差异比对（使用对比工具如Beyond Compare、DiffCheck等），快速定位有差异的内容。但多数情况下原始电子文档本身就不存在，才需要OCR——所以这一策略仅在有原始文件的情况下适用。

4.3 表格的修正
OCR对表格的识别是"弱项"——表格线的错位、单元格合并/拆分、内容跨行等问题，经常导致表格结构变形。

使用WPS表格打开OCR生成的文档，手动调整表格行列宽度与对齐方式。
对于复杂的多层表头或合并单元格，建议手动重建表格结构，将识别出的单元格数据粘贴到正确位置。
数据量大的表格，可以先将OCR文字导出为纯文本，再使用"文本分列"功能按分隔符拆分到不同列中。
五、批量OCR处理
5.1 多文件批量OCR
如果需要同时处理多个扫描件（如一天之内收到的几十份合同），WPS PDF支持批量OCR：

在WPS工具箱中选择"PDF处理"→"批量文字识别（OCR）"。
添加多个PDF或图片文件（支持文件夹批量导入）。
统一设置识别语言与输出格式。
选择输出目录。
点击"开始处理"。
批量处理前，建议先拿1～2个代表性文件测试OCR参数，确认识别效果可接受后再执行全量处理。

5.2 批量处理的时间管理
批量OCR处理耗时与文件页数、图片分辨率、电脑性能密切相关。经验估算：

单页A4扫描件：3～10秒
一份30页的合同：3～5分钟
100页以上的文档：建议在午休或下班前提交处理，回来后结果已就绪。
对于超大文件（100页以上），建议分批处理（每批30～50页），降低单次失败的风险。如果某批次处理失败，损失控制在一个较小范围内。

5.3 批量后的后续处理
批量OCR完成后，建议按以下顺序处理输出文件：

命名规范化： 将输出文件按统一规则重新命名，如"合同编号_供应商名称_识别日期"。
质量抽检： 每批中抽取20%的文件进行质量检查，如果抽检合格率低于90%，应调整参数重新识别。
归档管理： 将原始扫描件与OCR结果文件一起归档，保留"原始层+文字层"的双重备份。
六、扫描合同数字化的完整流程
6.1 从接收到归档的标准流程
第一步：接收与分类

收到纸质合同或文档后，先分类：是否需要OCR？是否已有电子版？是否直接归档即可？

第二步：扫描或拍照

使用扫描仪（推荐，质量更稳定）或WPS手机APP拍照扫描。参数设置为300DPI、灰度模式。

第三步：文件整理与预处理

合并多页文件为一个PDF；倾斜校正；裁剪边缘；调整对比度。

第四步：OCR识别

使用WPS PDF的OCR功能执行识别。全文合同建议输出为"可搜索PDF"（保留原始样貌+可搜索），需要修改的合同输出为"WPS文字"。

第五步：校对关键信息

使用搜索功能抽查金额、日期、条款编号等关键信息。如有明显错误，手动修正。

第六步：命名与归档

按统一规范命名文件：[日期]_[合同编号]_[合同名称]_[状态].pdf。原始扫描件与OCR件同时归档。

6.2 常见纸质文档的OCR策略
文档类型    推荐输出格式    校对重点    处理建议
合同（印刷体）    可搜索PDF    金额、日期、条款编号    300DPI灰度扫描
打印的论文/报告    可编辑文档    公式、图表标注、参考文献    优先从电子版直接导出而非扫描
手写单据    可搜索PDF    数字、签名    OCR仅辅助，关键信息人工核对
报纸/杂志文章    可搜索PDF    排版复杂的专栏区域    去网纹后识别
历史档案（旧书/旧文件）    可搜索PDF    残缺文字、褪色区域    提高对比度多做校正
表格/报表（PDF打印版）    可编辑文档    数字精度、行列对应    转为Excel后用WPS表格校正
七、OCR的限制与替代方案
7.1 什么时候不该用OCR
OCR不是万能的。以下场景中，OCR的投入产出比很低，应考虑其他方案：

手写体的正式文件（潦草程度高）： 手写OCR准确率较低，人工录入可能比"OCR+大量校对"更快。
需要100%完美的文字还原： OCR结果永远有误差，如果文件需要完全无差错（如出版、法律证据），必须人工逐字核对或从源文件获取电子版。
文档包含大量复杂公式或化学结构式： OCR无法准确识别数学符号、化学结构。建议使用LaTeX等专业工具重新编排。
非常模糊或严重破损的原件： 输入质量太差时，OCR结果可能错误百出，不如直接人工录入。
7.2 高质量ocr的"三重检查"建议
对于重要文档（合同、财务报表等），建议执行"三重检查"：

第一重（机器）： OCR自动识别，输出初步结果。
第二重（人工抽查）： 人工抽查关键数据（数字、金额、日期）。
第三重（交叉验证）： 由第二位人员进行独立抽查，确认关键信息一致。
对于普通文档（非核心资料），跳过第二重和第三重，仅在第一重完成后做快速浏览即可。

7.3 长期存储的策略
OCR处理后的文档，建议同时保存两种版本：

原始扫描版： 未经过任何处理的原始扫描件PDF，作为不可更改的法律证据存档。
OCR可搜索版： 在原始扫描件基础上叠加了文字层的可搜索PDF，日常检索使用。
两份文件命名时使用相同前缀，加上后缀区分：合同20260610_原始版.pdf 和 合同20260610_搜索版.pdf。

八、常见问题
8.1 OCR识别结果全乱码
确认选择了正确的识别语言。中文文档选中文，英文文档选英文。选错语言时识别结果就是乱码。
确认扫描件质量。200DPI以下的分辨率容易导致乱码。
确认文档不是纯手写体。WPS OCR对印刷体支持良好，对手写体支持有限。
8.2 表格识别后行列错乱
表格识别是OCR的难点。表格识别效果差时：

尝试在OCR设置中启用"表格识别"优化选项（如有）。
扫描时确保表格线清晰可见，表格线模糊或断裂时，人工重建比修正确认更高效。
输出为WPS文字后，手动使用WPS表格的"文本分列"或"表格转换"功能重新整理数据。
8.3 识别结果包含大量多余的符号和空格
常见于带有背景噪声的扫描件。重新执行图像预处理：

提高对比度，让文字与背景的差异更明显。
去噪处理，清除背景噪点。
如果扫描件底色不均匀，考虑扫描时使用"去除背景"或"白板"模式。
8.4 OCR识别速度慢
降低扫描分辨率至300DPI（目前推荐的最佳平衡点）。
分批处理大文件（每批不超过50页）。
关闭其他占用CPU和内存的大型软件（如Photoshop、VS Code等），为OCR处理分配更多计算资源。
确保WPS为最新版本，新版本通常包含OCR引擎性能优化。
结语
纸质文档的数字化，是数字化转型中最基础也最容易被忽视的环节。WPS PDF的OCR功能，把纸质合同从"拍个照存在手机里"变成了"可搜索、可编辑、可管理的数字资产"。

理解OCR的工作原理、做好扫描件的预处理、选择正确的输出格式、重视校对环节——当这些环节形成一套标准化流程后，你会发现：曾经需要一周时间录入的纸质档案，现在只需要几个小时就能完成数字化处理。

数字化不是目的，让信息真正可用才是。OCR把被"困在纸面上"的文字解放出来，让它们可以被搜索、被引用、被分析——这是纸质文档走向数字化的第一步，也是最关键的一步。