# OCR 功能

ConvertX-CN 內建 Tesseract OCR 與 ocrmypdf，提供完整的 OCR 功能：

- **圖片 OCR**：將圖片中的文字轉換為可編輯文字
- **PDF OCR**：將掃描版 PDF 轉換為可搜尋 PDF（加入文字層）
- **PDF 自動偵測**：翻譯引擎會自動偵測掃描版 PDF 並進行 OCR 處理

---

## 內建語言

ConvertX-CN 完整版內建以下 OCR 語言：

| 語言     | 代碼      |
| -------- | --------- |
| 繁體中文 | `chi_tra` |
| 簡體中文 | `chi_sim` |
| 英文     | `eng`     |
| 日文     | `jpn`     |
| 韓文     | `kor`     |
| 德文     | `deu`     |
| 法文     | `fra`     |

---

## 使用方式

### PDF → 可搜尋 PDF（OCR）

將掃描版 PDF 轉換為可搜尋 PDF：

1. 上傳 PDF 檔案
2. 選擇 Converter: `OCRmyPDF`
3. 選擇目標格式：

   | 格式        | 說明                           | 推薦場景         |
   | ----------- | ------------------------------ | ---------------- |
   | `pdf-ocr`   | **自動檢測（多語言）** ⭐ 推薦 | 通用、多語言文件 |
   | `pdf-en`    | 僅英文                         | 純英文文件       |
   | `pdf-zh-TW` | 僅繁體中文                     | 純繁體中文文件   |
   | `pdf-zh`    | 僅簡體中文                     | 純簡體中文文件   |
   | `pdf-ja`    | 僅日文                         | 純日文文件       |
   | `pdf-ko`    | 僅韓文                         | 純韓文文件       |
   | `pdf-de`    | 僅德文                         | 純德文文件       |
   | `pdf-fr`    | 僅法文                         | 純法文文件       |

4. 進行轉換

> 💡 **功能特點**：
>
> - **自動多語言檢測**：`pdf-ocr` 模式可處理中英混排、多語言文件
> - 自動偵測頁面方向並旋轉
> - 自動校正傾斜
> - 跳過已有文字層的頁面
> - 詳細的處理進度輸出

### 🆕 自動多語言檢測模式

選擇 `pdf-ocr` 時，系統會使用所有已安裝的語言包進行辨識：

```
eng + chi_tra + chi_sim + jpn + kor + deu + fra
```

**適用場景：**

- ✅ 中英混排文件（如學術論文）
- ✅ 日英混排文件
- ✅ 不確定文件語言時
- ✅ 包含多種語言的文件

### 圖片 → 文字

1. 上傳圖片（PNG, JPG, TIFF 等）
2. 選擇目標格式 `txt` 或 `pdf`（可搜尋）
3. 進行轉換

### 掃描版 PDF 翻譯（自動處理）

當使用 PDFMathTranslate 或 BabelDOC 翻譯 PDF 時：

1. 系統會**自動偵測**是否為掃描版 PDF（無文字層）
2. 若為掃描版，系統會**自動執行 OCR** 加入文字層
3. 翻譯引擎使用 OCR 處理後的 PDF 進行翻譯
4. 使用者無需手動操作，全程自動完成

---

## 支援的輸入格式

- **點陣圖**：PNG, JPG, JPEG, TIFF, BMP, GIF
- **其他**：WebP, PNM, PBM

---

## 輸出格式

| 格式 | 說明            |
| ---- | --------------- |
| TXT  | 純文字          |
| PDF  | 可搜尋 PDF      |
| HOCR | HTML + 座標資訊 |

---

## 最佳實踐

### 提高辨識準確度

1. **解析度**：至少 300 DPI
2. **對比度**：文字與背景對比清晰
3. **傾斜校正**：確保文字水平
4. **雜訊去除**：去除背景雜訊

### 處理多語言文件

#### 方法一：使用自動檢測模式（推薦）

選擇 `pdf-ocr` 格式，系統會自動使用所有語言包進行辨識，無需手動指定語言。

- ✅ 無需猜測文件語言
- ✅ 支援中英混排、多語言文件
- ✅ 一鍵處理所有情況

#### 方法二：指定單一語言

如果確定文件只包含單一語言，可選擇對應的語言格式（如 `pdf-en`），可能獲得更高的辨識準確度。

---

## 新增語言

### 方法一：自訂 Dockerfile

> 💡 在 `Dockerfile.full` 中取消註解以下內容

```dockerfile
RUN apt-get update && apt-get install -y --no-install-recommends \
  tesseract-ocr-spa \
  tesseract-ocr-ita \
  && rm -rf /var/lib/apt/lists/*
```

- `tesseract-ocr-spa` — 西班牙文
- `tesseract-ocr-ita` — 義大利文

### 方法二：掛載語言包

```yaml
volumes:
  - ./tessdata:/usr/share/tesseract-ocr/5/tessdata
```

下載語言包：https://github.com/tesseract-ocr/tessdata_best

---

## 可選語言包

| 區域   | 語言                           |
| ------ | ------------------------------ |
| 西歐   | 西班牙文、義大利文、葡萄牙文   |
| 北歐   | 瑞典文、丹麥文、挪威文、芬蘭文 |
| 東歐   | 俄文、波蘭文、捷克文、匈牙利文 |
| 中東   | 阿拉伯文、希伯來文、土耳其文   |
| 南亞   | 印地文、孟加拉文、泰米爾文     |
| 東南亞 | 泰文、越南文、印尼文           |

---

## 相關文件

- [支援的轉換器](轉換器.md)
- [翻譯功能](翻譯功能.md)
- [Docker 部署](../部署指南/Docker部署.md)