OCR PDF

什么是 OCR，运行后会改变什么？

光学字符识别（OCR）把文字的图像转换为计算机可以复制、搜索和 建立索引的真实文本字符。一个“扫描的”PDF 不过是一叠粘贴在 PDF 容器内的页面图像；你看到的文字是像素，而非字母。OCR 之后，文档要么有一层不可见的文本层覆盖在那些像素之上（这样它 看起来完全一样，但 Ctrl+F 能用），要么你已经把文本 提取到一个无格式的 .txt 文件中，可以粘贴到别处。上面两种模式 都提供。

OCR 在这个页面上是如何工作的

我们使用 Tesseract.js——谷歌开源 Tesseract 引擎的 WebAssembly 编译版本——在你的浏览器标签页内运行。当你点击 运行 OCR 时：

1. 你的 PDF 的每一页都用 PDF.js 以 300 DPI 栅格化到一个画布上。
2. 画布像素传给 Tesseract.js，它返回识别出的文本以及按行的边界框。
3. 对于可搜索 PDF，我们把你的原始页面复制到一个新的 PDF 中，并以 0 不透明度叠加识别出的文本：视觉上不可见，但可选中、可搜索。
4. 对于仅文本，我们把每一页的文本拼接成一个单一的 .txt 文件。

这条流水线中没有任何环节调用服务器：PDF.js、Tesseract.js 和 pdf-lib 都在客户端运行。与 OCR 相关的唯一网络请求，是训练好的 语言模型的一次性下载（每种语言约 5 到 15 MB），你的浏览器之后 会将其缓存以备下次使用。

实事求是的预期

• 300 DPI 的干净印刷文本：通常每字符准确率为 95% 到 98%。足以用于搜索，以及略加更正后的复制/粘贴。
• 低分辨率（低于 200 DPI）或拍照的页面：准确率急剧下降；Tesseract 需要清晰的字母边缘。如果可以，请以更高 DPI 重新扫描。
• 多栏布局和表格：文本会逐行跨栏返回。我们不会把它重排成合乎逻辑的阅读顺序。对于表格，可以考虑 PDF 转 Excel。
• 手写体：无法可靠支持。Tesseract 是用印刷字体训练的；手写字符通常会返回乱码。
• 大量混合字母系统：如果一页一半是阿拉伯语、一半是拉丁文，请选择占主导的那一种。多字母系统的 OCR 是可行的，但更慢且更不准确。

隐私与安全

OCR 是一个浏览器内处理尤其有价值的类别。扫描的文档往往是人们 所拥有的最敏感的东西——护照复印件、纳税申报表、合同、医疗 记录、租约——把它们发送到第三方服务器会留下一条你无法删除的 踪迹。由于这条流水线的每一个字节都在本地运行，没有可记录的 上传，没有可被传讯的临时文件，也没有需要去信任的留存期。OCR 引擎本身是开源且可检视的。