让扫描版PDF可以搜索文字的方法

扫描版PDF为什么无法搜索

扫描仪或手机App生成PDF时，会把每一页存成一张图片。从Word导出的PDF则不同，它包含真正的字符，所以你可以搜索和选中文字。扫描页上只有排列成字母形状的像素，却没有真正的文字。

一个小测试就能分辨你手上的是哪一种：试着选中一个单词。如果能单独把它高亮，这个PDF已经有文字了。如果整页被当作一整块选中，或者什么反应都没有，那它就是扫描件，需要OCR。

OCR对你的PDF做了什么

OCR会分析每一页的图像，识别出其中的字符，并把它们作为一个不可见的文字层，直接放在你看到的文字下方。页面外观和之前一模一样，但搜索、复制粘贴和屏幕阅读器现在都能用了，因为底下有了真正的文字。

pdfdots 的「PDF文字识别」使用 Tesseract，一个成熟的开源识别引擎，并在你的浏览器中运行。你的文件不会被上传。唯一需要下载的是所选语言的语言模型，大约10到20 MB，浏览器会把它缓存下来，之后再用会启动得更快。你只需要一个免费账户，没有广告，也没有水印。

对扫描版PDF进行OCR的具体步骤

操作只需点几下，然后在识别页面时耐心等一会儿。

• 打开「PDF文字识别」，把扫描文件拖进上传框，或者点击选择文件。
• 选择文件的语言：英语、土耳其语、西班牙语、葡萄牙语、德语或法语。
• 点击「运行OCR」，等待每一页识别完成。普通电脑上每页需要几秒钟，手机上会更久一些。
• 下载可搜索的PDF，用 Ctrl+F 或 Cmd+F 测试一下。

如何获得准确的识别结果

OCR的质量主要取决于扫描件本身。干净、端正、光线均匀的页面效果非常好。模糊的手机照片、歪斜的页面、极小的字号和花哨的装饰字体则会导致更多错误，而手写字基本无法可靠识别。

• 选对语言。这能明显提升对带重音符号的字母和常用词的识别效果。
• 先把歪的页面摆正。如果某页是横着或倒着的，运行OCR之前先用「PDF旋转」纠正。
• 精简长篇扫描件。如果一份300页的档案里你只需要几页，先用「PDF提取页面」把它们取出来，能省下大量等待时间。
• 能重扫就重扫。如果某一页识别出来满是奇怪的字符，一份更清晰的扫描件比什么方法都管用。

输出文件为什么变大了，该怎么办

识别之前，每一页会以大约 200 DPI 重新渲染，渲染出的图像会和文字层一起写入新文件。因此，可搜索的PDF往往比原始扫描件更大。如果需要通过邮件发送，或者上传到有大小限制的地方，之后再用「PDF压缩」处理一下即可。文字层在压缩后依然保留，文件仍然可以搜索。

为旧文件建立一个可搜索的档案库

把OCR用在一整批文件上时，它的价值才真正体现出来。我们曾把好几箱旧信件、保修卡和税务文件变成一个可搜索的PDF文件夹，现在要找几年前的某张发票，只需要搜索一下，而不用在储藏室里翻上一下午。

我们的流程很简单。每份文件单独扫描成一个PDF，或者成批扫描后用「PDF拆分」分开。然后对每个文件运行OCR，起一个描述性的文件名，按年份存进不同文件夹。Windows 和 macOS 都会索引PDF的文字层，所以即使某个名字或金额只出现在第七页，系统级搜索也能找到对应的文件。

旧文件的识别准确率参差不齐。褪色的热敏小票和复写纸副本对任何引擎来说都很难，所以对于真正重要的文件，我们还会在文件名里简单记下关键信息。

有了可搜索的PDF之后还能做什么

文字层就位之后，能做的事情就多了。「PDF转TXT」可以把识别出的文字导出为纯文本文件，方便引用或导入其他软件。「PDF对比」可以找出扫描合同两个版本之间的差异。

OCR之后再转换成可编辑格式，效果也会好得多。「PDF转Word」和「PDF转Excel」在我们位于德国的转换服务器上运行，文件处理完后会立即删除；当PDF里已经是真正的文字而不是文字的图片时，转换结果会干净得多。

常见问题