PDF文字识别：在线免费OCR扫描件

扫描版PDF本质上只是一叠图片：你能看，但不能搜索、不能选中一句话，也不能从里面复制一个数字。PDF文字识别（OCR，光学字符识别）会找出这些图片中的文字，并把它们作为一层看不见的文字层，精确放在你看到的文字下方。页面看起来和原来一模一样，但 Ctrl+F 搜索、复制粘贴和读屏软件都可以正常使用了。对于要归档的合同、票据和旧资料，这一步能让后续查找省下大量时间。

pdfdots 使用成熟的开源识别引擎 Tesseract，直接在你的浏览器中运行OCR，文档不会被上传。唯一需要下载的是你所选语言的识别模型，大约10到20MB，浏览器会把它缓存下来，下次使用启动更快。选择正确的语言非常重要：中文文档请选“简体中文”，英文文档选英语，语言选对了，引擎才能更准确地识别常用字词和标点。识别速度取决于你的设备，一般每页需要几秒钟，页数很多的文件请耐心等待。

识别效果很大程度上取决于扫描质量。平整、清晰、端正的扫描件识别率最高；用手机斜着拍、光线不均或有阴影的照片，结果里容易出现错字和乱码。印刷体文字识别效果好，手写字基本无法识别。如果条件允许，我们建议用扫描仪或手机的扫描模式重新扫一遍，这比事后一个个纠正错字省事得多。

识别完成后，你可以继续用“PDF转Word”得到可编辑的文字，用“PDF转Excel”把表格导入电子表格，或者用“PDF对比”比较两个版本的扫描合同。识别后的文件比原来稍大一些，如需发送可以再用“压缩PDF”处理。

很多人以为OCR会把PDF变成Word，其实不是。PDF文字识别的结果仍然是PDF，页面外观完全保留，只是多了一层可搜索的文字。这样做的好处是：原始扫描件作为证据的样子不会改变，同时又能快速查找内容。对于合同、发票和档案来说，这比把内容转成可编辑文档更合适，因为谁也改不了页面上看到的内容。

识别之前，请先在“文档语言”里选择正确的语言，中文文件选中文，中英混排的材料也以主要语言为准，选错语言会让识别结果出现大量乱码。第一次使用某种语言时，浏览器需要下载约10–20 MB的语言模型，之后就会缓存下来，再次识别无需重新下载。

识别质量主要取决于扫描件本身：300 DPI左右、页面端正、对比度清晰的扫描件效果最好；手机随手拍的照片如果有阴影或倾斜，识别率会明显下降。识别完成后，原来的页面图像保持不变，只是在下面加了一层看不见的文字，可以搜索、选中和复制。整个过程都在您的浏览器里运行，病历、合同这类敏感文件无需上传。