PDF OCR

识别扫描 PDF 里的文字，换回一份可以搜索、可以复制的文件。

PDF OCR 跑在你的设备上，扫描的档案与卷宗都留在你手里。首次运行时会从公共 CDN 下载识别程序及其语言数据；页面内容绝不会被发送。

由 Udit Agarwal 开发和维护

把可检索的结果转成 Word

关于 PDF OCR

扫描的 PDF 是一份文档的照片。你能读，别的什么都读不了：搜索找不到，复制拿不到，任何靠文字工作的工具都无从下手。文字识别把这件事解决了——它读出字母的形状，并把认出的内容写回文件，成为一层正好覆在印刷文字之上、看不见的文字。每一页都会以 144 或 216 dpi 重画成图像，新文件就由这些图像构成，所以看起来和原件一样，但分辨率更高的扫描件会按你选择的分辨率输出，原文件里的链接和表单字段也不会保留。换来的是，这份文档从此可搜索、可选中、可转换。识别在你的浏览器里运行，支持十二种语言中的任意一种。

功能特性

  • 识别在你的浏览器里运行——页面绝不上传
  • 十二种语言，含印地语、俄语、中文、日语与阿拉伯语
  • 不可见的文字层覆在每页图像之上，图像以 144 或 216 dpi 重画
  • 两档扫描质量，在小字上权衡速度与准确
  • 除可检索的 PDF 外，还提供纯文本输出
  • 逐页显示进度，长文档可随时停下
  • 语言数据只下载一次，之后由浏览器缓存

如何使用 PDF OCR

  1. 把扫描的 PDF 拖到页面上
  2. 选择页面上印的语言和一档扫描质量
  3. 开始识别，看着它逐页推进
  4. 下载可检索的 PDF，或只下载识别出的文字

示例

输入

1987-minutes.pdf — 8 scanned pages, typewritten English

输出

1987-minutes-searchable.pdf — pages redrawn at 144 dpi, now with selectable text behind them.

页面按所选分辨率重画，看上去一样，而那些词现在真的在文件里了。

常见错误与故障排除

  • 识别出的文字错得厉害。 — 识别的效果取决于扫描件。试试更高的质量档，并确认语言与页面相符——拿英语数据去认德语页面，结果正是如此。
  • 识别非常慢。 — 这确实是很重的活儿，而且跑在你自己的处理器上而不是服务器上。请用较快的质量档，并把长文档拆开。
  • 双语文档识别得很差。 — 每次运行只用一种语言。请按语言拆分文档，分别识别后再合并结果。
  • 手写没有被识别出来。 — 这里识别的是印刷体与打字稿。手写需要完全另一类模型。

常见问题

识别出的文字会替换掉扫描件吗？
不会。每一页都作为图像保留，以 144 或 216 dpi 重画，识别出的文字以不可见的方式加在它后面，所以可检索 PDF 看上去和原件一样。由于文件是用这些图像重新生成的，分辨率更高的扫描件会按你选择的分辨率输出，链接和表单字段也不会保留。
识别时我扫描的页面会被上传吗？
不会。识别在你的浏览器里运行，页面绝不会离开浏览器。首次使用时，浏览器会从公共 CDN 下载识别程序文件和语言数据；不会发送文档里的任何内容，语言数据会缓存下来供下次使用。
一次能识别多少页？
每次最多三十页，因为识别足够慢，长文档分批处理更合适。
该选哪一档质量？
先从快的那档开始。字小、扫描件年头久，或第一次结果很乱时，再换更高的一档。
能对已经有文字的 PDF 做 OCR 吗？
可以，但没有意义：先试着选中一个词看看。如果文字已经在了，直接转换就好。

相关工具

  • PDF 转文本 — 将 PDF 中可选取的文本提取为纯文本或 Markdown。
  • 扫描成 PDF — 把摄像头当扫描仪，把页面存成 PDF。
  • PDF 转 Word — 把 PDF 重建为可编辑的 .docx 文档。
  • PDF 转 Excel — 把 PDF 里的表格取到 .xlsx 工作簿或 CSV。
  • PDF 转 HTML — 把 PDF 转成干净、可检索的 HTML。
  • 压缩 PDF — 通过以所选质量和分辨率将每页重新渲染为 JPEG 来缩小 PDF。
  • PDF 摘要 — 在本机逐节为长 PDF 生成摘要。

更多PDF工具

查看全部PDF工具 (85) · 全部工具