在浏览器中运行

PDF OCR

把扫描版 PDF 变成可搜索、可选中的 PDF。OCR 全程在你的浏览器本地运行，文件不会离开设备。

本地处理0 上传约 1.2 秒无需账号

不上传任何文件

PDF OCR 引擎以 WebAssembly 形式在你的浏览器里运行，扫描件不会被发送到服务器。

看得见识别结果

每个识别出的词都会高亮标在页面上，下载前就能确认识别得对不对。

支持 11 种语言

拉丁字母、西里尔字母与中日韩文字均可识别，中文、日文、韩文、俄文都在其中。

免费，无需注册

不用账号、不加水印、不限页数。唯一的实际限制是你设备的内存。

一句话说明： PDF OCR 会把扫描页面上的文字读出来，再作为一层「看不见的文本层」写回 PDF。页面外观完全不变，但你终于可以搜索、选中和复制它了。这个工具全程在你的浏览器里完成。

扫描版 PDF 为什么会卡住你的工作

客户回传了一份合同，你要找其中一条条款。按下 Ctrl+F，输入关键词，PDF 却告诉你没有结果——可那几个字明明就在屏幕上。

这就是大多数人开始找 PDF OCR 的时刻。文件并没有损坏，它只是从一开始就不包含任何文字。

扫描件是一张图片，不是文档

扫描仪或手机拍下一页纸时，记录的是像素。你看到的字母只是形状，不是字符。在 PDF 阅读器眼里，整页就是一张平铺的图。

没有文字识别，你会失去什么

不能搜索。不能复制粘贴。不能选中引用。读屏软件读不出任何内容。文档管理系统索引到的是一个空文件。这些功能全都依赖页面里存在真正的字符。

哪些场景最难受

签好的合同、纸质发票、收据、病历、学术论文、旧档案。这些恰恰是你日后最需要检索的文件，也恰恰是最常以扫描件形式出现的文件。

PDF OCR 是什么？

PDF OCR 是指把扫描页面图像中的文字识别出来，再作为一层真实但不可见的文本层存回 PDF——页面看起来分毫不差，但你已经可以搜索、选中和复制上面的文字了。

OCR 是光学字符识别（optical character recognition）的缩写。识别引擎观察页面上的形状，把它们与某种语言的字形进行匹配，输出字符以及每个词的精确位置。

看不见的文本层是怎么工作的

识别出的文字会以 PDF 文本渲染模式 3 重新绘制到页面上，这个模式的含义是「绘制这段文字但不显示它」。每个词都恰好压在它在扫描图里的位置之上。

所以一份处理得当的 OCR 文件看上去毫无变化，搜索时却能准确高亮。你选中的是那层看不见的文本，不是图像。

可搜索 PDF 与纯文本提取的区别

什么时候你要的是可搜索 PDF

你需要保留原样——签名、印章、信头、版式。任何需要保持体面或具备法律辨识度的文件，都应该继续以 PDF 形式存在。

什么时候你只要纯文本

你要粘贴进邮件、表格或笔记。那就跳过 PDF，直接取纯文本导出。本工具一次运行同时给你这两样。

OCR 解决不了什么

OCR 只能读出确实存在的内容。它无法还原被扫描糊掉的文字，也不会替你校对。一张歪斜、低分辨率的翻拍页，只会得到同样歪斜、低质量的结果。

三步完成 PDF OCR

整个过程都发生在你自己的机器上。不排队、不上传，也没有等待室。

1
打开扫描版 PDF
把文件拖到上方方框里，或从设备中选择。它会直接载入浏览器标签页，完全没有上传这一步。
2
选择文档语言
选页面上实际印刷的语言，而不是你的界面语言。引擎会下载一次对应的语言包，之后一直缓存在本地。
3
运行 OCR 并下载
逐页看着它处理，检查高亮出的词，然后取走可搜索 PDF 或纯文本。两者都在本地生成。

实用建议 — 语言选择的影响比多数人预想的大。用英语去识别一页德语，每个变元音都会被弄错。如果结果看起来像乱码，原因通常就是语言选错了。

说明 — 首次使用某种语言会下载一个不到 3 MB 的语言包。之后就是即时的，而且可以离线使用。

看看 OCR 到底读出了什么

多数 PDF OCR 工具丢给你一个文件就完事了。你只能先下载、打开 PDF、自己搜一遍，才知道到底成没成。

这很不划算，因为扫描质量差异极大，而 PDF OCR 失败时是悄无声息的。一个默默只有 60% 准确率的工具，和一个 99% 的工具，看上去一模一样。

把文本层显示出来

打开「显示文本层」，每个识别出的词都会直接框在页面上。你看到的，正是写进 PDF 里的内容。

下载之前就看出扫描件好不好

引擎没把握的词会标成红色。把鼠标移到任意方框上，就能看到它实际读成了什么、有多大把握。

整页零星几个红框很正常。如果一页大半是红的，那就说明有问题——通常是语言选错了，或者这份扫描件需要用更高分辨率重扫一次。

有了可搜索 PDF，你能做什么

文本层一旦存在，这份文档在你用到它的每个地方，才开始像一份真正的文档。

在文档内搜索

Ctrl+F 在任何 PDF 阅读器、任何设备上都能用。在 60 页的扫描合同里找一条条款，不再靠手动翻页。

直接复制引用，不用重打

选中一段粘进邮件或报告。不用转录，也不会在途中引入错别字。

让扫描件具备无障碍能力

读屏软件只能读取文本层。对一堆扫描件来说，做 OCR 往往是能带来最大无障碍改善的一步。

把干净的文本喂给其他工具

搜索索引、笔记应用、翻译工具和电子表格需要的都是字符，不是像素。纯文本导出可以直接放进去。

你的扫描件不会离开这个标签页

扫描文档往往是人们手里最敏感的文件：签署过的协议、护照、报税材料、诊断书。为了让它们可被搜索，就把它们上传到一台陌生的服务器——这笔交易实在算不上划算。

本工具把 PDF OCR 引擎以 WebAssembly 形式载入你的浏览器并在其中运行。语言包来自我们的服务器，但你的文档哪儿也不去。页面加载完成后你可以断开网络，它照样能把活干完。

浏览器端 PDF OCR 与上传式 OCR 工具的对比

对私密文档来说，本地处理是更合理的默认选择，但它并非没有代价。下面是诚实的对比。

对比项	本工具（浏览器内）	上传式 OCR 工具
文件去了哪里	始终不离开你的设备	上传到远程服务器
能否离线使用	可以，首次加载之后	不行
文件大小上限	受限于你的设备内存	受限于服务商的套餐
是否需要账号	不需要	文件较大时通常需要
超大 PDF 的速度	较慢——用的是你的 CPU	较快——用的是他们的服务器
疑难扫描件的准确率	清晰印刷体表现良好	往往更好——商用引擎

最后两行是实话。面对一份 1998 年的褶皱传真件，调校过的商用 OCR 服务会赢过开源引擎；面对一份 500 页的文件，服务器集群也永远跑得比笔记本快。如果你的文档并不敏感，而且疑难扫描件的准确率比隐私更重要，那就该去用那类服务。

如何获得最好的 OCR 准确率

PDF OCR 的质量，大部分在你按下按钮之前就已经决定了。以下四点解释了绝大多数差距。

1
用 300 DPI 以上扫描
这是影响最大的单一因素。150 DPI 时字符边缘开始粘连，72 DPI 时多数引擎只能靠猜。300 DPI 是文字识别的标准目标值。
2
先把页面摆正、去脏
页面哪怕只歪两度，准确率也会有可测量的下降。扫歪了就打开「摆正倾斜页面」，发灰或有噪点就打开「去除背景噪点」。
3
一次只用一种语言
混合语言包会稀释准确率。一份以英文为主、夹几个法文人名的文档，就按英文来跑。
4
先看文本层，必要时重跑
下载前先看看高亮出的词。如果某页满是红框，就换个语言或换个扫描设置再跑一次——反正不花你一分钱。