大批掃描 PDF 變成可搜尋的檔案庫：依需求選工具，附六百多頁的實際費用

TL;DR：大批掃描 PDF 只要能搜尋，一套 OCR（把圖片裡的字認成電腦文字的工具）就夠：不想寫程式，用桌面 PDF 軟體；要免費、檔案不出門，用 OCRmyPDF；頁數多、可以上雲端，用雲端 OCR，每 1,000 頁約 1.5 美元。還要知道每頁寫什麼、分類編目的話，再加 AI 逐頁轉寫，兩邊互相對照抓錯。我這次六百多頁走最後這條，新增的用量費約 7 美元，不含原本就在付的 AI 訂閱和人力時間；收到的原始掃描檔另外保存，完全沒改。

傍晚六點多，我下載到一份 90 MB 的 PDF：六百多頁的英文紙本文件掃描檔，每一頁都只是一張圖。在 PDF 裡搜尋任何一個字，結果都是零。隨檔附了一份頁碼索引，列出哪幾頁是哪份文件。

一開始只打算把內容轉成文字。晚上九點多，決定再進一步，整理成一套有代碼的檔案庫，交給同事用。到了半夜十二點多，它變成八十多份各自獨立、可以全文搜尋的 PDF，每份配一個 Word 文字檔（方便搜尋和複製，但不能當正本），最上層一份總目錄 Excel 和一份使用說明。

處理大批掃描 PDF 是常見的需求，所以我把這次的經驗整理成選擇指引：先依你要的結果選一條路，每條路有做法、費用和限制；這次的實際經過放在第四條路，當作佐證。這篇不是逐步操作手冊，這次寫的程式也沒有公開。

動手的大多是 Claude：程式是它寫的，組檔和驗證也是它跑的。我負責定範圍和拍板，也自己開了雲端帳號，用到帳號金鑰的那一步由我在自己電腦上執行。不會寫程式的人，也可以這樣分工：把這篇的選擇表、轉寫規則和官方文件連結，交給會寫程式的 AI 代理人（能在你電腦上寫程式、跑程式的 AI，例如 Claude 或 Codex），請它照著做。要注意，AI 代理人讀到的檔案內容會送到那家 AI 服務，敏感文件請先看下面的提醒。

你要的是哪一種結果？先選一條路

先問自己兩件事：只要能搜尋，還是要分類編目？檔案能不能上傳到雲端？

上傳之前先問三件事：檔案裡有沒有身分證字號、病歷或未公開的商業資料？公司規定或資料的主人允不允許上傳？那家服務的資料會存多久，會不會拿去訓練，能不能提早刪除？任何一題答不出來，就先別上傳：走第二條路，或改用確定完全在自己電腦上處理的桌面軟體。另外，請 AI 代理人幫忙時，它讀到的檔案內容、畫面和錯誤訊息，也會送到那家 AI 服務；敏感文件請自己執行指令，別讓 AI 代理人打開檔案。

不管走哪一條，都先把原始檔複製一份，所有處理都在副本上做。然後挑 5 頁最難的試跑：有表格的、手寫的、轉了方向的、小字多的。跑完打開搜尋幾個字，再對照原圖，確定品質可以接受才整批做。

第一條路：只要能搜尋、不想寫程式，用桌面 PDF 軟體

打開 PDF，執行軟體裡的文字辨識（OCR）功能，存檔，就有一份可以搜尋的 PDF。

以 Adobe Acrobat Pro 為例（免費的 Acrobat Reader 沒有這個功能）：開啟掃描 PDF 的副本，依序點 All tools（所有工具）→ Scan & OCR → Recognize Text → In This File，按下 Recognize Text。設定裡如果有輸出類型，選 Searchable Image (Exact)：文字疊在原圖上，原圖不動；Editable Text and Images 會把掃描圖換成重新排過的文字，Searchable Image 也會重新取樣影像。跑完用「另存新檔」存成新的檔名，例如「原檔名_可搜尋.pdf」，不要直接按儲存蓋掉原檔。這是英文介面的名稱，中文介面找「掃描」和「識別文字」相關的選項；Adobe 的中文說明頁標題是〈識別掃描文件中的文字〉。ABBYY FineReader PDF 等軟體也有同樣的功能。

這條路我這次沒有實測，步驟依 Adobe 說明頁與兩份大學圖書館的教學（操作步驟、輸出類型）整理，版本不同選單也可能不同；價格依方案和地區不同。

第二條路：免費、檔案不出門，用 OCRmyPDF

OCRmyPDF 是免費的開源工具，一行指令就能替整份 PDF 加上文字層，檔案不會離開你的電腦。要用的是「終端機」，也就是電腦上輸入指令的視窗：Mac 在「應用程式」裡的「工具程式」資料夾，也可以用 Spotlight 搜尋「終端機」打開。

Mac 上先照 Homebrew 官網的說明裝好 Homebrew（Mac 上安裝這類工具的程式），再在終端機依序執行：

brew install ocrmypdf
ocrmypdf --version

第二行會印出版本號，代表裝好了。要辨識英文以外的語言，再執行 brew install tesseract-lang。

接著建一個工作資料夾，把 PDF 的副本放進去。在終端機輸入 cd 和一個空格，把這個資料夾拖進終端機視窗，按 Enter，就切換到這個資料夾了。再執行：

ocrmypdf -l eng input.pdf output.pdf

input.pdf 換成你的檔名；檔名有空格的話，前後加上引號，例如 "我的 掃描檔.pdf"。output.pdf 是加好文字層的新檔，原檔不會被覆蓋。繁體中文把 eng 改成 chi_tra，中英混排寫 eng+chi_tra（代碼見 OCRmyPDF 語言說明與 Tesseract 語言代碼表）。跑完打開新檔搜尋幾個字，確認找得到。

有頁面放反、橫躺或歪掉的話，可以在 -l eng 後面加上 --rotate-pages（轉正）和 --deskew（拉直）。這兩個選項會改到新檔的頁面樣子，想保留原貌就不要加。Windows 的裝法見官方安裝說明，裝到能執行 ocrmypdf --version 為止；其他選項見官方範例。

OCRmyPDF 預設用的辨識引擎是 Tesseract。我這次是直接呼叫 Tesseract，沒有透過 OCRmyPDF，品質可以參考第四條路裡的比較：大多數頁讀得不錯，難頁讀得差。

選用、我沒測：用 Mac 的人還可以試 AppleOCR 外掛，改用 macOS 內建的文字辨識。它要用 Python 的安裝工具 pip 裝（pip install ocrmypdf-appleocr，需要 Python 3.11 以上），要明確指定時在指令加上 --ocr-engine appleocr（OCRmyPDF 17 版以上才有這個選項）。不裝它，前面的 OCRmyPDF 也能用；想試的話，拿幾頁跟原圖比對再決定。

第三條路：頁數多、可以上雲端，用雲端 OCR

微軟 Azure、AWS、Google 三家的雲端 OCR 牌價都是每 1,000 頁 US$1.50。三家裡只有 Azure 能直接回傳可搜尋的 PDF，我這次用的就是它。要注意的是，Azure 的官方資料說明沒有寫會不會拿去訓練（見後面「各家的資料政策」）；照開頭的停損規則，敏感文件要先向微軟或你的公司確認，不然就走本機的路。以下是 2026 年 10 月的官方資訊：

用 Azure 的步驟：

1. 開一個隨用隨付的 Azure 帳號。免費試用不一定有，我的帳號就不符合資格。
2. 建一個 Document Intelligence 資源，選付費的 S0 方案；免費方案只會處理前兩頁。
3. 在資源頁面找到「端點」和「金鑰」。端點是這個服務的網址，金鑰是一串密碼，程式兩樣都要用到。金鑰的用途跟信用卡號差不多：不要寫進程式，不要傳給別人，也不要貼進 AI 的聊天視窗。
4. 請寫程式的人或 AI 代理人照官方文件寫一支小程式。給他的規格：用 Read 模型（prebuilt-read），API（讓程式呼叫雲端服務的介面）版本 2024-11-30，送出分析時加上 output=pdf；送出後隔幾秒查一次結果，完成了再呼叫下載 PDF 的網址。程式要在執行時才跳出提示請你輸入金鑰，或從你自己在終端機設定的環境變數讀取，不顯示、不存檔。先拿 5 頁跑一次，打開下載的 PDF 搜尋幾個字，確認有文字層再整批送。
5. 設預算警示，花到某個比例就寄信通知你。警示預設是寄信，本身不會停用服務或停止計費（官方說明）。

我開帳號時卡了兩個地方。我的帳號曾被別的組織邀請過，登入時跑到對方的空間（微軟叫它「目錄」），在那裡被要求設定多重要素驗證，簡訊驗證碼收到了，註冊卻出錯；改成指定從自己帳號所屬的目錄登入，就能正常使用。重點在確認登入的是自己的目錄；多重要素驗證是保護帳號用的，自己的帳號一樣建議開著。另一個是帳單頁的金額只寫「$」，沒標幣別，我要等第一筆費用入帳才能確定是哪種貨幣。畫面上的「$」不一定是美元，在意的話，整批送出前先查清楚帳單幣別。

這次六百多頁，伺服器端只處理了 37 秒，牌價約 US$0.95。花時間的反而是傳檔：結果檔有 92 MB，下載速度只有每秒兩三百 KB，照這個速度要六分鐘上下。終端機一動也不動，我一度以為它停住了。這個服務我先留著，之後如果補來新的掃描，同一支程式再跑一次就好。

第四條路：還要讀懂、分類、編目，加上 AI 逐頁轉寫

讓 AI 把每一頁照原樣轉成文字，拿來分類和編目；OCR 負責搜尋；兩份結果逐頁對照，挑出要人去看的頁。這是我這次的做法，下面是實際經過。

這批掃描檔的狀況

每頁是一張影像，絕大多數是黑白，只有 5 頁是彩色。打字的內文、表格數字和勾選框都清楚，難的是其他東西：有 3 頁是橫式內容直著掃，要轉 90 度才看得懂；頁邊有手寫的星號和問號；有些頁首被切掉一截，日期跟著少了；照片和圖表在黑白掃描裡變成網點。

隨附的索引是起點，但它自己也註明可能有小錯。後來逐頁核對，找到一封信的日期寫錯，兩份文件的分界差了一頁，兩張被當成空白頁的紙是手寫的分隔頁，另一份被註明不完整的文件，核對後是完整的。

用途也先定了：內部閱讀、搜尋、找出處，不當成正式文件交給外部單位。

為什麼要拆成兩件事做？

因為「讀懂每一頁」和「讓 PDF 可以搜尋」要的輸出不同，擅長的工具也不同。

第一件是 AI 逐頁轉寫。把每一頁的影像交給大型語言模型（Claude、ChatGPT 這類能看圖、會寫字的 AI），請它照原樣轉成有結構的文字：表格還是表格，勾選框照實標出有沒有打勾，螢光筆和手寫都標出來，看不清楚、沒把握的字也要標記。這份文字拿來分類和編代碼，也拿來做 Word 文字版。它的限制是不知道每個字在頁面上的位置，沒辦法疊回 PDF 讓人搜尋、選字。

第二件是 OCR 文字層。OCR 會記下每個字在頁面上的位置，在影像上疊一層看不見的字，這就是「文字層」：平常看不到，搜尋和複製時才用得到。它的限制是不理解內容，表單、手寫和轉向的頁，常常讀成一串亂碼。

兩份結果還有第三個用處：互相檢查。兩套工具的原理不同，出錯的地方通常也不同，逐頁比對之後，對不上的頁就是該由人去看的頁。

轉寫的規則怎麼定？

先挑 5 頁最難的試跑：封面、有螢光筆的頁、滿是勾選框的表單、粗斜體混排的問答頁，以及轉了 90 度的表格。目視核對過，只錯了一個被切掉一截的日期，才送出全部六百多頁。給 AI 的指令重點有五條：

• 照原樣一字不改，錯字也照抄，不修正、不摘要、不翻譯，也不補字。
• 標題、清單和表格的結構都保留。
• 勾選框、螢光筆、手寫和簽名，用固定的記號標出來。
• 頁首、印章和頁碼，也照原位置抄下來。
• 看不清楚的標「看不清」，沒把握的字照最可能的讀法寫，後面加問號。

後面會看到，這些標記正好指出人該看的地方。

Transcribe this scanned page into GitHub-flavored Markdown, verbatim.

Rules:
- Reproduce every printed word exactly as it appears, including typos, numbering, units, dates and punctuation. Do not correct, summarize, translate, reorder or add anything.
- Keep the structure: headings, numbered and bulleted lists, indentation levels, and tables (use Markdown tables). For complex forms, write one "Field label: value" line per field in reading order.
- Keep emphasis: **bold**, *italic*, <u>underline</u>.
- Checkboxes: [x] for checked, [ ] for unchecked.
- Highlighter marks: wrap the highlighted text in ==double equals==. Handwritten ticks or marks in margins: [handwritten mark].
- Handwriting: transcribe it if legible and prefix it with [handwritten]. Signatures: [signature].
- Fax headers, stamps, page numbers, headers and footers: include them on their own lines, in place.
- Illegible text: [illegible]. A word you are unsure of: write your best reading followed by [?].
- If the page is blank or nearly blank, output exactly: [blank page]
- Output only the transcription. No preface, no comments, no code fences.

實際花了多少錢？

新增的用量費約 US$7，其中約 US$6 花在 AI 逐頁轉寫，換算每 1,000 頁約 US$9.6，一頁約 1 美分；雲端 OCR 每 1,000 頁 US$1.50。

這 7 美元只算按用量付給兩家雲端服務的錢，不含我原本就在付的 AI 訂閱（寫程式、組檔、驗證的 Claude，以及幫忙審查的 Codex 和 Antigravity），也不含人力時間。沒有這類訂閱、或要請人寫程式的話，要另外算。免費的開源工具，也要有人會安裝、會下指令。

轉寫是按 tokens 計費的。tokens 是 AI 計算文字和圖片用量的單位，不等於頁數或字數。Sonnet 5.5 批次的單價是每百萬 tokens 輸入 US$1、輸出 US$5（官方定價）。這次輸入 3,189,072 tokens、輸出 569,843 tokens，平均每頁約 5,000 和 900，換算每 1,000 頁約 US$9.6。頁上字越多、影像越細，費用越高；要估自己的檔案，最準的方法是試跑 5 頁再乘以頁數。官方說批次大多在一小時內完成，24 小時內沒處理到的請求會過期、不收費；這次五分鐘內就全部回來了。

📊 關鍵數據

• AI 逐頁轉寫：每 1,000 頁約 US$9.6（一頁約 1 美分）；六百多頁約 US$6.04（Claude Sonnet 5.5 批次）
• 雲端 OCR：每 1,000 頁 US$1.50；六百多頁約 US$0.95，伺服器端處理 37 秒
• 免費 OCR：Tesseract 軟體免費，跑約 36 分鐘（含把 PDF 轉成影像）
• 經過時間：從下載到第二版約 6 小時，有 AI 代理人寫程式，不是第一次做的人的工時估計

這 6 小時大致分成四段：試跑 5 頁並核對，約 45 分鐘；整批轉寫和逐頁比對，約 45 分鐘；決定整理成檔案庫之後的第一版，約 1 小時 10 分；開雲端帳號、跑雲端 OCR、做出第二版，約 1 個半小時。中間有一段在處理別的事。

免費的 Tesseract 和雲端 OCR 差多少？

看中位數差不多，看最差的那幾頁就差很多。

Claude 拿 AI 轉寫當對照，看兩套 OCR 讀出來的字，有多少跟轉寫對得上。只算有連續內文的 557 頁：

中位數只差 1.5 個百分點。Tesseract 有 66 頁對不上的字超過一成，換成雲端 OCR 只剩 3 頁；兩套差距超過 2 個百分點的 185 頁，全部是雲端那一邊比較好。

這個比例量的是兩套工具的一致度：對照組是 AI 的轉寫，它自己也可能錯，所以拿來挑出該回去看原圖的頁，不能當成正確率。這也只是一批英文打字文件的結果，中文、直書或大量手寫的文件，結果可能完全不同。

時間上，Tesseract 在兩顆 CPU 的雲端工作環境上，轉影像加辨識跑了約 36 分鐘；雲端 OCR 在伺服器端只花 37 秒。

兩套結果怎麼互相抓錯？

逐頁比對，把對不上的頁挑出來一頁一頁看。這次兩邊都抓到對方的問題。

OCR 抓到轉寫的錯。 轉寫完，Claude 又跑了一份免費 OCR 的全文，兩份逐頁比對。有一頁的轉寫只剩一行頁首，OCR 卻讀出整頁內文：AI 在這一頁整頁漏掉了，批次結果卻顯示成功。這一頁後來對照原圖重新轉寫。只看轉寫本身，這種錯很難發現。

轉寫也抓到 OCR 的問題。 有兩頁是手寫的表單，免費 OCR 讀成一串亂碼，轉寫逐格標出了手寫的內容。前面那張表，也是拿轉寫當尺，才找得出 Tesseract 讀得最差的那 66 頁。

轉寫自己標出沒把握的地方。 轉寫在兩個地方標了不確定：一處是一個標準編號，最後一碼沒讀出來；另一處標了看不清。第一處，雲端 OCR 讀出完整的編號，信心值 0.948（OCR 對自己讀法的把握，最高是 1），放大原圖確認是對的。第二處放大原圖後，看出是修訂追蹤的註解編號，跟同一份文件後面的編號連號。

方向偵測只能當提示。 開源的方向判斷模型標出 7 頁沒擺正，其中 3 頁是真的，另外 4 頁它自己的把握都很低，看過全是誤判；雲端 OCR 回報有角度的頁裡，也有 2 頁只是字寫斜了。有標出來的頁，都要看一眼再決定轉不轉。

整理成檔案庫，要定哪些規則？

先定規則，再動手：

• 代碼：每一批用該批文件的日期開頭，批內序號照該批自己的清單編；清單上有但掃描裡找不到的，也先保留一個代碼，這次約有兩成的代碼是先保留的。日後補來新文件，接得上，也不會打亂舊編號。
• 原件不動：收到的原始掃描檔放在獨立的資料夾，完全不改。整理出來的 PDF 沿用原本的影像，不重新壓縮；頁碼印記印在每頁下方另外加的一條窄邊上，不蓋到原件；橫式的頁直接用閱讀方向組頁。
• 分開放：PDF、Word 文字版和原始掃描各放一個資料夾，避免開錯檔。
• 文字版標明身分：Word 檔方便搜尋和複製，但可能有錯，每份開頭固定一句「引用以 PDF 或原始掃描為準」。
• 總目錄：一份 Excel，放文件清單、每頁的文字核對分數、找不到的文件與缺頁、跟原索引不同的地方，以及每個檔案的「指紋」（SHA-256 雜湊值，用來確認檔案傳過去之後沒有變）。

規則定好、還沒動手之前，我請另外兩個 AI 工具（OpenAI 的 Codex、Google 的 Antigravity）各自挑錯，兩邊互不知道對方的意見，各提了十幾條。上面幾條規則，大多是這輪審查之後定下或修過的。Codex 還抓到索引裡那封信的日期寫錯：原件上三個地方的日期都一致，是索引寫錯了，批次的順序因此改過。它指出的事實錯誤，都回頭對照原件核實過才採用，做法跟我之前寫的讓 codex 挑 Claude 的錯，但不照它說了算一樣。

交件前要驗什麼？

要交給別人用、或要長期存檔的話，交件前至少驗這幾件：

• 每一頁都有歸屬：屬於哪份文件、是分隔頁，還是重複的影本，逐頁對帳。
• 整理後 PDF 裡的影像，逐張跟原檔比對，完全相同。
• 每一頁都搜得到字；抽幾頁把看不見的字改成紅字疊回去，看位置對不對，轉向的頁一定要抽。
• 檔案清單附上每個檔案的指紋，傳到對方電腦後重算一次，確認沒有傳壞；壓縮檔裡不要夾帶 Mac 的隱藏檔。

這些檢查都是 Claude 寫程式跑的。只是自己要搜尋的話，抽幾頁對照原圖就夠了。驗證程式本身也會出錯，這次就遇過一次誤報，所以檢查失敗時，量尺和被量的東西都要查。

有沒有更便宜的 AI 轉寫，或免費的開源模型？

有，品質要另外試。以下是 2026 年 10 月的官方單價，只有 Sonnet 是我實測的：

粗估的前提：每頁產出的文字量跟這次一樣，約 900 tokens。Claude 的輸入沿用這次的每頁約 5,000 tokens；Gemini 的 PDF 每頁預設 560 tokens，再加上指令約 350 tokens。Gemini 如果開了思考，思考的 tokens 也按輸出計價（Gemini 定價頁），表中沒有算進去。

單價高低，說明不了品質。便宜的模型會不會漏字、會不會自己補字，只能用自己的文件試：拿那 5 頁最難的，同時丟給兩個模型，逐字對照原圖，再決定整批用哪個。

開源的 AI 辨識模型（olmOCR-2、PaddleOCR-VL 等）授權不用付費，但要有顯示卡（GPU），或花時間在自己電腦上架設。今年 7 月有一篇針對老舊掃描的評測，最高分的模型也只通過不到一半的檢查項，而且其中一類檢查會獎勵省略信頭和印章，要保留原貌的人要看細項（原文）。排行榜只能當線索。

上傳到雲端之前，各家的資料政策怎麼寫？

開頭那三個問題，這次用到的兩家，官方是這樣寫的：

• Azure AI Document Intelligence：送進去的文件和分析結果，在分析完成後保存 24 小時，之後自動刪除，也可以呼叫 API 提早刪（官方說明）。會不會拿去訓練，這頁沒有寫。
• Claude API：商業產品的輸入和輸出，預設不拿來訓練模型（隱私中心）；後端在 30 天內刪除，但有例外情形（保存期限說明）。這兩頁沒提能不能提早刪；如果用批次處理，批次處理文件寫著請求和結果最多保存 29 天，處理完可以呼叫 API 刪除那一批，但沒寫刪除後資料是不是立刻清掉。

查資料時另外看到一條：AWS 的 AI 服務可能保存並使用客戶內容來改善服務，用途包括訓練模型，也可能存到你使用區域以外的機房。Textract 在名單上，要透過 AWS Organizations 的 AI 服務退出政策關掉。官方頁沒寫的部分，就是還沒確認，不等於安全。

照這次的經驗，順序可以怎麼排？

回頭看，有兩步可以省：

• 第一版的 Tesseract 文字層，一個半小時後就被雲端 OCR 換掉，第一版也沒交出去，直接進了垃圾桶。檔案可以上雲端的話，一開始就用雲端 OCR，可以少做一輪組檔和驗證。
• 雲端 OCR 本身會回報頁面角度。用了它，獨立的方向判斷模型可以省掉，把有角度的頁看一眼就好。

建議的順序：先挑 5 頁最難的試跑，決定轉寫用哪個模型，便宜的先試；文字層交給雲端 OCR，檔案不能出門就用 OCRmyPDF；兩份結果逐頁對照，挑出要人看的頁；最後才組檔和驗證。

收到的原始掃描檔完全沒改

收到的原始掃描檔，原封不動放在檔案庫的獨立資料夾裡。整理出來的每一份 PDF，都沿用原本的影像，沒有重新壓縮；多出來的東西都加在影像之外：一層看不見的字、每頁下方印著代碼的窄邊、書籤，另外每份配一個 Word 文字檔，最上層一份總目錄，標出哪裡缺頁、哪裡跟原索引不同。

不管你走哪一條路，原始檔都另外存一份，所有處理都在副本上做；OCRmyPDF 的轉正、拉直選項會調整頁面，輸出的影像不一定跟原檔相同。下一批掃描進來，照同一套代碼接著編，同一支程式再跑一次。更多工具實作的紀錄，放在「創造與建構 → 工具與實作」。