OCR PDF

在任意阅读器中打开文件，试着选中一行文字。如果没有任何高亮，或搜索找不到匹配项，说明页面只是图片（扫描件或照片），而 OCR 正是用来补上缺失的文字。已有可选中文字的 PDF 不需要此工具。

列出了 100 多个 Tesseract 语言包，从英语和西班牙语到阿拉伯语、印地语、日语和中文。请勾选文档中出现的每种语言；这些语言包会一起加载，因此混合语言的页面可以一次识别。一些自托管部署内置的列表较短，并会在语言选择器上方注明。

不会。原始页面会原样复制，并在上面绘制一层不可见的文字层，逐词定位以匹配扫描件。您看到的图像与之前相同，但现在可以搜索、选中和复制文字。

“高 (288 DPI)”为默认值，适合一般的办公文档。当速度重要或文件很长时，可降到“标准 (192 DPI)”；对于小字、脚注或质量较差的扫描件，请使用“超高 (384 DPI)”。设置越高耗时越明显，因为每页在识别前都要以该尺寸渲染。

它将输出限制在一组固定字符内，可减少诸如小写 l 被识别为 1 的错误。“发票”预设只允许数字和符号 $ . , / - # :，“仅数字”适合序列号或仪表读数，“自定义”则允许您输入自己的字符集。

不太可靠。Tesseract 是针对印刷文字训练的，因此工整的大写字母有时可以识别，但草书大多只会产生噪点。在清晰、光线良好的印刷页面上效果最好；“二值化”选项有助于处理褪色或低对比度的扫描件，校正 PDF 倾斜可先将倾斜的页面摆正。

可以。OCR 完成后，提取的文字会显示在一个文本框中，您可以查看、复制到剪贴板，或下载为 ocr-text.txt。可搜索 PDF 的下载是独立的，因此您可以任取其一或两者都要。

不会。Tesseract 以 WebAssembly 形式在您的浏览器中运行；唯一的下载是 OCR 引擎和您选择的语言包，会在首次需要时获取。扫描页面和识别出的文字都留在您的设备上。