一句话结论
把扫描件按 300dpi 重扫、分批 OCR，再用一张校对表核对关键字段，50 页合同通常两小时内变成可检索文本。
这篇解决什么问题
法务那边要在五十页扫描合同里找一句“逾期付款违约金按日万分之五”，你只能一页页翻 PDF。这活儿的本质不是“识别文字”，是把图片变成能被 Ctrl+F 搜到的文本，还得保证数字没错。
适用：几十页以内、印刷体为主、有明确关键字段（金额、日期、主体、条款号）的合同扫描件。不适用：整本手写、盖章压字严重，或者原件已经糊到人眼都要猜的档案。
开始前要准备什么
- 通义或夸克的文档识别功能，日常免费额度通常够跑几十页
- ABBYY 属付费软件，公司已有授权就直接用，表格页更稳
- 合同原件，或者从原 PDF 导出的图，别用微信转存过的
- 一张空表，先定好列：字段名、原文、页码、核对结果
- 整块时间两小时上下，中间得留出校对的那一段
具体怎么做
第 1 步 · 拆页分拣
先别急着跑识别。把五十页摊开看一遍，按印刷正文、表格页、盖章签字页、手写批注页分开，付款计划和金额表那几页要单独标出来。
我有一批 50 页的合同扫描件要转成可检索文本，逐页情况是：第 1 至 6 页纯文字正文，第 7 页一张付款计划表，第 8 至 9 页有盖章和手写签名，第 10 页附手写补充条款，其余 40 页为正文加条款编号。请帮我做三件事：一、按 OCR 难度给这批页分档，说明每档难在哪；二、建议分几批处理、每批几页；三、列出这类合同中最容易被识别错的字符类型，我照这个清单重点校对。
预期产出：一份分档清单加批次划分，你立刻知道哪十来页要留到最后慢慢弄。
第 2 步 · 重出图
我在实操中发现，识别效果差八成不是工具的问题，是喂进去的图太差。手机随手拍的件带倾斜、带阴影，后面校对要多花一倍时间。
我的合同原件是 A4 双面、左侧装订，扫出来有轻微倾斜和装订阴影。设备是普通办公扫描仪，可选参数有分辨率、彩色或灰度、单双面、自动纠偏、去底色。请给我一套具体的参数组合，并说明每一项为什么这么设；另外给我三条快速检查方法，用来判断这批图能不能直接进识别。
预期产出：一套固定参数，剩下四十几页照同一套跑，图不会一页亮一页暗。
第 3 步 · 分批 OCR 并清洗
每批别超过十页。一次性丢五十页进去，输出到中段容易漏行、条款编号串位，你还得回头找是哪一页断的。
下面是一份合同扫描件的 OCR 原始文本，来自第 [页码] 页。请按以下规则清洗，不要改写任何实质内容：一、删掉重复出现的页眉、页脚和页码；二、把被强行断开的行合并成完整句子，段落结构保留；三、条款编号（如 3.2.1）单独成行；四、金额、日期、百分比原样保留，不补全、不换算；五、你无法确认的字符用【?】标出，不要猜。清洗后只输出正文，不要解释过程。原文如下：
预期产出：干净的分页纯文本，认不准的地方带【?】标记，一眼能看见。
第 4 步 · 抽字段进校对表
可检索只是第一步，真正省时间的是“一眼定位”。把关键字段抽成带页码的表，等于给合同做了一份目录。
你是合同信息核对助手。请从下面这份合同文本中抽取字段，输出一张表格，列为：字段名｜原文表述｜所在页码｜条款号｜风险提示。需要抽取：合同名称、甲方名称、乙方名称、签署日期、生效日期、合同总金额及大写、付款方式与账期、违约金比例、争议解决方式、终止条件。要求：逐字照抄原文，不要概括；文本中没有的写“未提及”，不要推测；同一字段出现多次时分行列并注明页码。文本如下：
预期产出：一张能直接贴进表格软件的字段清单，页码这列就是回查原件的索引。
第 5 步 · 回查校对并合成文本
校对不是通读。只盯五类东西：金额、日期、比例、主体名称、合同编号，错一个字符都是事故，其余错别字放过。
我对同一页做了一遍 OCR 二次比对。第一遍识别结果和第二遍识别结果如下。请逐行比对，只输出不一致的地方，格式为：行号｜第一遍内容｜第二遍内容｜差异类型（数字／日期／专有名词／标点）。完全一致的部分不用输出。如果两遍都识别成同一个明显不通的字符，也单独列出来提醒我。
预期产出：一页差异清单；校对完按顺序合成一个文件，每页开头留 [P12] 这样的页码锚点，文件名统一为“合同名_对方公司简称”。
实测记录
| 环节 | 实际情况 | 拆页分拣 | 五十页看完加分类，约 15 分钟 | 重扫出图 | 双面扫、逐页纠偏，约 25 分钟 | 分批 OCR | 分六批跑，等结果加清洗约 20 分钟 | 抽字段 | 一次跑完，调整表格格式约 15 分钟 | 回查校对 | 纯文字页快，六页表格和盖章页慢，约 50 分钟 |
|---|
第一次跑的时候我把五十页一次性丢进去，输出到中段开始漏行，第三十页往后编号整个串位，只能整批重来。改成每批十页以内就没再出现。
成本上，通义和夸克的免费额度跑完这批还有余；ABBYY 只用在表格页，公司原本就有授权。跟人工逐字敲比，同样五十页通常要大半天，还没算敲错的风险。
最容易错的 3 个地方
- 用压缩图识别。微信转过的件分辨率早被压没了。纠正：回原件按 300dpi 重扫。
- 让 AI 顺手润色。病句被改通顺，意思就偏了。纠正：提示词写死不改写、不补全。
- 校对靠通读。五十页逐字看最慢也最容易漏。纠正：只核五类字段，其余用搜索抽查。
可复用的东西
把上面五段提示词按顺序存成一份文档：分档清单、扫描参数、清洗规则、字段抽取、二次比对。换一批合同只改页数和字段名，其余照抄。
校对表建议固定五列：字段名、原文表述、页码、条款号、核对结果。最后一列是给自己留的痕迹，后面出问题能追溯。
这套流程真正的价值不在识别本身，在于把“我检查过了”变成一张别人也能看的表。以后再有人问某条款在第几页，搜关键词就行。你手上那批扫描件，是印刷体为主，还是夹着大量手写和盖章页？
常见问题解答
五十页扫描件只用免费工具够不够？
印刷体为主的合同，通义或夸克的日常额度通常够跑完；表格密集、印章压字的页建议用 ABBYY 补一遍，公司已有授权就不用额外折腾。
OCR 出来的文本能直接当合同存档吗？
不能。可检索文本只用来查，正式引用还得回原件，所以校对表要留着，标清哪一页哪个字段核对过。
手写签名页怎么处理？
别指望识别。手写页单独标记，只保留页码和签署人位置，正文照常转文字，签名真伪走纸质原件归档。
本网站的部分内容可能来源于网络或用户投稿，仅供大家学习与参考，如有侵权，请联系客服： hhxmw778 进行删除处理。
本站一切资源不代表本站立场，并不代表本站赞同其观点和对其真实性负责。
教程如引导您添加微信或有另外收费服务，请自行甄别！
如遇充值环节或绑定支付账户或输入支付密码之类的异常步骤，建议停止操作！本站不对操作项目的损失负责！
本站一律禁止以任何方式发布或转载任何违法的相关信息，访客发现任何资源有问题请向站长举报下架
(手机微信用户建议用默认浏览器打开，可体验完整功能)
按岗位找 AI 实操步骤 · 提示词可收藏