知识文章 · 编写日期 2026-11-10
九么转写：OCR表里的负一就是识别错了吗
不能只凭负一判错。在本文核对的Tesseract TSV输出中，页、块、段落和行记录的conf列写为-1；它们记录版面层级，并不是四次文字识别失败。先看level，再看词级文字与原图是否一致。
适用于九么检索笔记中的截图转写与OCR结果阅读。依据Tesseract官方命令行文档及5.5.1源码，核对日期见文末；不概括其他OCR服务的同名字段。下面五行是原创简化模拟数据，没有运行图片识别。
同一张表，混合了五种记录
官方TSV示例列出level、页块段行编号、边界框、conf和text等字段。level从1至5分别表示页、块、段落、文本行与词级单元。阅读文字时通常关注level=5；理解文字处于哪个版面区域时，还需要上层记录。
5.5.1的GetTSVText实现给前四层写入-1，词级行则写入词级Confidence结果。这里的-1不是给页面打了“负分”，也不能直接计成错字。词级单元是引擎输出的分段单位，不保证恰好等于一个汉字或词典中的一个词。
五行教学表为什么不表示四错一对
构造一张只保留三个字段的表：level=1、2、3、4的四行，其conf均为-1、text留空；level=5的一行写conf=88、text=九么。这表示一个简化的页面层级下有一条词级文本记录。真实输出还会包含编号和坐标，图中省略它们以突出问题。
如果把五行conf不加区分地求均值，会得到(-1-1-1-1+88)÷5=16.8。这是混入四个占位值后的算术结果，不是本例的词级分值，也不是页面识别准确率。先限定词级行，本例只有88这一项；仍不能由此证明“九么”转写正确。
即使分值看起来高，正确与否也必须对照原图或可信正文。把本例88写成“已经验证88%的字正确”没有依据，因为我们根本没有制作一份逐字标注的正确答案来测量准确率。模拟表中的数字只供读字段练习。
不要只留下文字，丢掉回查位置
建议保留一份完整原始TSV，再为人工核对另做词级视图。视图至少保留text、conf、页块段行与词编号、left/top/width/height，才能从疑似字串回到相应图像区域。
行号不是整份文件的唯一标识。实现会在新的块或段落开始时重置下级编号，因此两条line_num=1可以属于不同段落。需要组合页、块、段落、行的编号，再结合词号与坐标定位，不能只按“第1行”把不同区域拼在一起。
本页不规定一个通用分数阈值，也不建议直接删除低分词。若只是为了先看可疑处，可以排序建立核对队列，同时保留原记录；删除会让后续读者看不出那里原本有一个待确认单元。
把字段判断与文字判断分两栏
原创记录示例可写为：“字段判断：level=5，conf=88，text为九么；文字判断：原图尚未取得，暂未核对。”这样既不会把结构占位值当错误，也不会把词级分值当作词义、来源或真伪证据。
拿到原图后，逐个核对可见字形和位置。若最终确认转写不同，另列人工修订值与依据，不悄悄把原始OCR文件改成仿佛从未出错。只有词级视图没有原图时，合格结果可以停留在“读懂输出字段，未确认转写”。
动手核对
- 先确认输出来自哪个工具、版本与格式，再核对表头，勿把其他服务的conf套进本页规则。
- 用level区分结构记录与词级记录；保留完整TSV，再建立人工核对视图。
- 不要把前四层的-1混入词级分值计算，也不要把平均分称为实测准确率。
- 结合完整层级编号和边界框回到原图，分开保存机器结果、人工修订和未确定处。
常见问题
只筛conf不小于零够了吗？
对于本页的文字阅读任务，明确筛level=5更能表达目的。原始结构记录仍应保留；不同输出格式或异常记录需按对应文档检查。
text为空就证明截图没文字吗？
不能。前四层记录的空text承担的是结构用途；还要查看词级行和原图。没有识别出词级结果也不等于原图客观上没有文字。
示例中九么一定会被识别成一行词吗？
不是。这里人为构造一条词级记录说明字段关系；实际分段和识别结果取决于输入与设置，本文没有实测该字串。
依据与延伸阅读
- Tesseract命令行文档：TSV output（Tesseract OCR，核验日期 2026-11-10）
支持TSV字段及层级示例。五行简化教学表和16.8反例为本站构造。
- Tesseract 5.5.1：GetTSVText实现（Tesseract OCR，核验日期 2026-11-10）
已实际读取该标签对应raw源码，支持level 1至4写入-1、level 5读取词级Confidence以及下级编号重置。