處理 jpg PDF轉Excel 時,結果是否穩定,往往不是先取決於你選了哪一個工具,而是取決於原始頁面在進入 OCR 之前是否已經整理好。掃描頁若有些微傾斜、底色發灰、表格線太淡,OCR 即使看得懂文字,也可能在匯出成試算表時把欄位拆錯、把列併在一起,或把表尾註記誤判成資料列。
這篇重點不是逐列核對資料,也不是檢查總額是否正確,而是聚焦在做 jpg PDF轉Excel 之前,如何先處理「歪斜掃描」與「淡化格線」這兩個最常見的結構問題,讓後續表格 OCR 更容易辨識欄列關係。
若你想先看這類流程的資訊頁與可用性說明,可參考OCR PDF 轉 Excel。
先看頁面結構,不要先想 Excel 版面
很多人一想到 jpg PDF轉Excel,第一反應是擔心最後 Excel 的格式會不會跑掉。但實務上,更前面的問題是:掃描後的頁面,對 OCR 來說還像不像一個表格。
可以用很簡單的順序理解:
- OCR 先讀字元。
- 表格擷取再推測欄列結構。
- Excel 輸出結果同時受這兩步影響。
所以即使文字本身還算清楚,只要格線太淡,系統仍可能把正確讀出的內容放進錯誤欄位;反過來說,格線雖然存在,但整頁略微傾斜,也可能讓列邊界判斷不穩。這也是為什麼,在做試算表整理前,應優先處理頁面幾何與對比,而不是一開始就糾結最終格式。
具體例子:歪斜的對帳摘要表
想像一份供應商對帳單被掃描成 PDF,其中摘要表有以下情況:
- 頁面微微向右傾斜
- 影印再掃描後,紙面背景偏灰
- 水平線看得到,但垂直格線很淡
- 金額欄較清楚,日期欄反而偏淡
如果這時直接做 jpg PDF轉Excel,常見結果會是:
- 日期與編號被合併到同一欄
- 空白儲存格被誤判成換行
- 總計列整體右移一欄
- 最後一列和頁尾說明混在一起
這種情況的核心問題不只是文字辨識,而是 OCR 系統在用很弱的視覺線索猜測表格邊界。比起連續換不同工具,先做適度前處理,通常更有幫助。
先校正歪斜,因為欄位對齊會影響整頁
如果頁面有傾斜,通常應該先處理這件事。哪怕只有一點點角度偏差,都可能讓同一欄在頁面上方與下方看起來不再垂直對齊,進而增加欄位合併或列斷裂的機率。
建議依照這個順序檢查:
- 先看頁邊、文字基線或表格線是否有明顯傾斜。
- 將頁面旋轉或校正,直到主要文字與橫列看起來接近水平。
- 再檢查中段與底部的幾列,確認同一欄是否仍對得上。
- 確認角度穩定後,再進行對比或格線改善。
之所以要先做這一步,是因為:
- 對比調整若在歪斜狀態下進行,可能把錯誤邊緣變得更明顯
- 表格線偵測在橫列平直時通常更穩
- 後續裁切表格區域也會比較準
一個很實用的判斷方式是:只要肉眼看得出有歪,就先校正。如果不是單純旋轉,而是手機拍攝造成的紙張彎曲、透視變形,那就未必能靠後續濾鏡補救;重新拍攝或重新掃描,常常比一層層加強處理更有效。
提升淡化格線時,重點是保住字形
表格線很淡時,很多人會直覺把對比拉很高,但這往往會帶來新問題。像小數點、逗號、較細的數字筆畫,或原本就偏淡的日期字元,都可能在過度黑白化後消失或破碎。
真正的目標不是把頁面做得很「銳利」,而是讓表格邊界比原本更容易區分,同時保留文字輪廓。
可以考慮依序做這些調整:
- 適度提高局部對比,先處理灰底與不均勻背景。
- 讓背景更接近乾淨白色,但不要把淺色字元一起洗掉。
- 去除低程度雜點,例如影印顆粒或散落噪訊。
- 如果數字邊緣發虛,再少量銳化。
- 最後重新檢查:是格線更清楚了,還是整頁只是變黑了。
以下幾種做法要特別避免:
- 一開始就強制轉成極端黑白
- 過度銳化,讓細線變粗、窄字變形
- 過強去雜訊,連標點與負號一起抹掉
- 整頁一起加深,卻沒有先分辨哪裡才是真正的表格區
若格線幾乎看不見,與其對整頁猛加強,不如先裁切出表格區域。縮小辨識範圍,常比過度強化更能幫助系統判斷欄列。
裁掉干擾區域,讓 OCR 專注表格本體
不少 jpg PDF轉Excel 失敗案例,不是因為表格本身太糟,而是因為同一頁裡混入太多不同區塊。像是頁首標誌、地址、註記、簽章、頁尾條款,只要和表格一起送進 OCR,系統就可能難以判定哪裡才是主要資料區。
在進行表格 OCR 前,可以先問自己:這一頁是否其實應該分區看待?
適合先裁切或隔離的情況包括:
- 主表格上下留白很多
- 表格旁邊有印章或手寫註記
- 圖表與表格出現在同一頁
- 最後一列下面緊接著頁尾說明文字
實務上,一個常見做法是:保留完整 PDF 作為原始參考,同時另外針對表格區進行 OCR。這樣不代表一定能完全避免錯誤,但通常能減少誤把頁首頁尾當成資料列的情況。
一份簡短的前處理檢查表
在正式做 jpg PDF轉Excel 前,可以先快速檢查下表:
| 檢查項目 | 觀察重點 | 建議動作 |
|---|---|---|
| 頁面角度 | 橫列或文字是否向左或向右傾斜 | 先校正歪斜 |
| 背景狀態 | 是否有灰底、陰影或影印底紋 | 做輕度明暗與對比清理 |
| 表格線 | 垂直線或水平線是否太淡 | 做保留字形的溫和加強 |
| 干擾內容 | 是否有印章、備註、標誌、頁尾文字 | 先裁切到表格區 |
| 文字邊緣 | 數字是否模糊、破碎、太細 | 避免重度黑白化,必要時輕微銳化 |
| 頁面形變 | 是否有手機拍攝造成的彎曲或透視 | 優先重新掃描或重拍 |
這份清單的用途,是把重點放回「讓結構更容易被辨識」,而不是追求畫面看起來最漂亮。
何時前處理有幫助,何時反而越修越糟
前處理不是越多越好。有些掃描頁在經過太多步驟後,反而會讓 OCR 更難判讀。你可以把以下狀況當成停止訊號:
- 字元細節開始流失
- 小數點、逗號、負號變淡或消失
- 格線從細線變成粗塊
- 文字邊緣出現鋸齒或光暈
- 背景雖然乾淨了,但欄位邊界仍然不清楚
一旦出現這些情況,通常表示問題不在設定還不夠強,而是在來源品質本身有限。例如傳真掃描、低解析度影本、缺失的垂直線,這些資訊若原本就不完整,後續處理也無法真正補回來。
這也是為什麼,談 jpg PDF轉Excel 時,不應直接假設一定能保留原有格式。OCR 可以協助重建表格,但是否能正確還原欄列,仍受掃描品質、干擾標記、列印狀態與頁面結構影響。
可重複使用的實務流程
如果你經常遇到掃描表格,可以用這套順序反覆檢查:
- 先挑一頁最具代表性的樣本,不要一開始就整批處理。
- 校正歪斜,讓文字與表格橫列回到水平。
- 若頁面有太多非表格內容,先裁切到主要表格區。
- 以溫和方式清理灰底與雜點。
- 小幅提升淡化格線,但不要犧牲數字與標點。
- 先做小範圍測試,觀察欄位分隔是否改善。
- 若結果變穩定,再將同樣設定用於相似頁面。
- 若結果沒有改善,不要無限制疊加濾鏡,應考慮回到更好的掃描來源。
這套做法最重要的不是複雜,而是一致。若同一批文件來自相同掃描設備、相同表單樣式,常能用同一種前處理邏輯。但如果混合了影印掃描、手機拍照、傳真頁面,就可能需要分開處理,不能用一組設定套到底。
限制與判斷邊界
即使前處理做得很仔細,jpg PDF轉Excel 仍有一些明確限制:
- 格線過淡或缺失時,欄位分界仍可能不穩
- 合併儲存格與多行描述容易干擾列邊界
- 手寫記號、印章、螢光標示可能破壞表格結構
- 解析度太低時,數字對人可讀,對 OCR 仍可能模糊
- 手機拍攝造成的曲面與透視問題,常需要重拍而非後修
因此,最務實的做法通常很簡單:先扶正頁面,再溫和改善對比,縮小到真正的表格區域,並在字形開始受損前停止加強。這比盲目追求一次到位的轉換,更接近實際可重複的文件流程。