Unlimited OCR 2：掃描 PDF 轉文字、PDF 文字辨識與表格擷取

Unlimited OCR 2 新增了什麼？

百度介紹了對標題、段落、表格等版面元素的結構化辨識，包括把跨頁斷開的表格和文字重新接起來，並將這個版本定位在超長文件。Unlimited 這個名稱並不保證線上服務可以無限量使用：請依您選擇的方式確認服務額度與部署需求。

資料來源： 百度：Unlimited OCR 2 發表與公開測試

掃描 PDF 轉文字：三步驟工作流程

第一步，判斷輸入類型。如果文字無法選取，可能需要先做 OCR；如果選得到，但表格複製出來欄位錯位，重點就在版面擷取。把原始頁面和擷取結果並排放著，方便核對結構。

第二步，核對高價值細節：編號、日期、小數點、負號和欄位標題。每一列擷取結果都帶上頁碼。一次錯欄就可能讓一個準確的數字變成一句錯誤的結論。

第三步，要求助理只根據核對過的文字作答。每一條重要敘述都必須註明出處，欄位缺漏時要明確寫「未知」。把「原文寫了什麼」和「原文是什麼意思」這兩類問題分開問。

如何核對跨頁表格

重複出現的表頭是標籤，不是多出來的資料列。小計不應再加回明細列上。一列延續到下一頁時，先核對編號再合併；兩筆相似的描述可能屬於不同的紀錄。

匯出到試算表之前，先數清原始列數，確認每個數值欄的單位，並手動核對至少一個合計。不確定的字元就標為不確定，不要讓助理去猜掃描檔「大概」寫的是什麼。

試試這道有標準答案的文件分析提示詞

這道虛構的文字練習測試的是擷取之後的推理，而不是 OCR 模型本身，也不需要上傳檔案。正確結果是 A17 = 40 單位、B22 = 25 單位，合計 65 單位。重複的表頭不增加任何內容，兩張發票的付款狀態都未知。

如果助理說發票已付款、把某一列算了兩次，或者把表頭當成一筆項目，就算不合格。在把結果用到其他文件之前，要求它為每一列註明頁碼。

只使用以下這份虛構的文件擷取結果。第 1 頁：表頭「發票 | 金額」；資料列「A17 | 40 單位」。第 2 頁：重複表頭「發票 | 金額」；資料列「B22 | 25 單位」。全文未註明付款狀態。請輸出一張包含發票編號、金額、來源頁碼與付款狀態的表格。兩筆金額只相加一次。付款狀態缺漏的，標為「未知」。解釋為什麼重複的表頭不是資料列。不要推斷付款情況，也不要編造缺漏欄位。

如何為您的文件選擇 OCR 工具

大量處理整批檔案之前，先拿一組有代表性的樣本試試：一頁清晰的、一頁低品質掃描的、一頁多欄的，再加一張跨頁表格。也要檢查您自己檔案所用的語言和文字。在某一種語言或一份清晰樣本上成功，並不代表每份文件都能準確辨識。

涉及機密資料時，上傳前先確認處理發生在哪裡，以及該服務的資料處理條款。評估工作流程期間，請用虛構樣本或已遮蔽敏感內容的樣本。開放模型權重和託管服務是兩種不同的部署選擇，維運需求也各不相同。

有用的產出，是可追溯、可核對的資料。除了擷取速度，也要衡量修正耗時和漏掉的列數；如果事後還得有人把表格重做一遍，出得再快也沒有價值。