PDF 文字识别（OCR）：让扫描件可搜索、可复制（免费）

一份 200 页的扫描版合同，你想找"违约责任"在第几页——Ctrl+F 搜索却毫无反应。因为扫描出来的 PDF 里根本没有"文字"，每一页只是一张照片。OCR（光学字符识别）就是解决这个问题的技术：让机器"读"出图片里的字，把它们变成真正可搜索的文本。整个过程在浏览器里就能完成。

OCR 的原理：隐形文字层

pdfty 的 OCR 不会改动你的扫描图像，而是在它上面叠加一层不可见的真实文字，每个字都精确对齐图片中对应的位置。结果是：

• 看起来——和原扫描件完全相同，一个像素都不差
• 用起来——Ctrl+F 能搜索、鼠标能选中、复制粘贴正常工作
• 屏幕阅读器也能朗读内容，文档变得真正"可访问"

识别由开源引擎 Tesseract 完成——它被全球无数档案馆和图书馆用于数字化项目，支持简体中文、繁体中文、英文等数十种语言，还可以在一份文档里同时识别多种语言。

分步操作

识别之后：别忘了压缩

扫描件加上文字层后体积可能不小。如果要通过邮件发送，识别完成后顺手用 PDF 压缩 处理一下——通常能把体积缩小一大截，而文字层和搜索功能都完好保留。

常见问题

手写内容能识别吗？

基本不行。包括 Tesseract 在内的免费 OCR 引擎针对的是印刷体——书籍、合同、发票这类文档识别效果很好，但手写笔记的识别率很低。手写识别需要专门的付费引擎，而且效果也因笔迹而异。

识别后文档的排版会乱吗？

不会。你看到的始终是原始扫描图像，OCR 只是在下面"垫"了一层隐形文字。排版、印章、签名、表格线——一切都保持原样。

识别准确率有多高？

对清晰的印刷体扫描件（300 DPI 左右、无严重倾斜），主流语言的准确率通常能达到很高水平。原件模糊、倾斜或分辨率过低时准确率会下降——扫描时尽量放平、调高分辨率。