PDF OCR 识别 使用方法
- 1
添加扫描版 PDF
拖入扫描仪或手机扫描应用生成的文件，工具会检查其中有多少页已带有可选中的文本。
- 2
选择语言
默认选中英语，并会推荐浏览器所用的语言；最多可再添加四种文档中确实出现的语言。
- 3
设置精度和页面
“最佳”以 300 DPI 读取页面，“更快”以 200 DPI 读取。可以只处理指定的页码范围，也可以勾选“跳过已有文本的页面”。
- 4
下载结果
保存可搜索的 PDF，或把识别出的全部内容下载为 .txt 文件，每页前都有分页标记。
限制与 Pro
免费：PDF 最大 50 MB，每次最多对 200 页进行 OCR，47 种可用语言中最多同时识别 4 种。
Pro 将每次处理上限提高到 5,000 页，文件最大 4 GB；识别速度仍取决于设备的处理器。 了解 Pro
关于 PDF OCR 识别
处理后的结果仍是你的原始 PDF，只是在每个扫描页上加了一层不可见的文本。扫描图像本身不会被重新压缩或重绘，外观与之前完全一致，但每个识别出的字词都位于页面上对应的位置：按 Ctrl+F 可以查找，拖动可以选中，复制粘贴得到的是真正的文本。页面以 300 DPI（“更快”模式下为 200 DPI）渲染，由开源 OCR 引擎 Tesseract 以 WebAssembly 的方式在浏览器中识别，可同时并行处理多页，并为每一页显示状态。
横向或倒置扫描的页面会被检测出来，并按正确方向识别；已有可选中文本的页面可以跳过，混合文档不会被重复处理。文本层以 Unicode 存储，因此西里尔文、希腊语、阿拉伯语、希伯来语、印地语、泰语、中文、日语和韩语的识别结果，都能像拉丁字母一样搜索和复制。纯文本导出会按页汇总所有识别出的内容。
常见用途：让归档的信件和合同可以搜索，从扫描的发票中提取数字，为转换成 Word 做准备，或让使用读屏软件的用户听到文字内容。
精度取决于扫描质量。300 DPI 的清晰印刷文本通常能被读得几乎完全正确；手写体、低对比度的照片、装饰性字体、过小的字号以及斜角拍摄的页面，错误会更多。严重倾斜的页面不会被校正，引擎读取的是文字而非版面，因此分栏和表格在导出时会变成普通的文本行。
隐私
扫描页面由编译为 WebAssembly 的 Tesseract 在当前浏览器标签页中渲染和识别，PDF 和识别出的文本都不会发送到服务器。引擎和你选择的语言文件（每个 2 至 15 MB）只会从公共 CDN 下载一次，并由浏览器缓存。
功能
可搜索，可复制
识别出的文字叠放在扫描图像上，在 Acrobat、预览、Chrome 等阅读器中都能查找、选中和复制。
扫描画质不变
只添加一层不可见的文本，印章、签名和照片保持原有清晰度，文件大小几乎不会增加。
47 种语言
从英语、西班牙语、德语到阿拉伯语、印地语、中文、日语和韩语，最多可同时组合四种。
旋转页面
横向或倒置的页面会按各个方向分别尝试识别，并保留效果最好的结果。
混合文档
已有文本层的页面会被保留不动，只有部分页面是扫描件的 PDF 能节省不少时间。