OCR——光学字符识别——能把扫描型PDF中的文字图像，转换成真正可选中、可搜索、可复制的字符。本指南将解释OCR的工作原理、你什么时候需要它，以及如何在浏览器中免费应用它。
为什么扫描型PDF需要OCR？
当你扫描一份纸质文档时，扫描仪生成的是页面的一张图片——而不是文本文件。扫描型PDF本质上是嵌入在PDF容器中的一张JPEG或TIFF图片。你可以查看它，但是：
- 无法选中或复制文字
- Ctrl+F（查找）搜索不到任何结果
- 屏幕阅读器无法读取它（不具备无障碍访问性）
- 搜索引擎无法索引其内容
- 无法填写表单字段或高亮文字
OCR会读取该图像，并生成一个文字层——一层精确叠加在图像之上、由识别出的字符组成的隐形图层。经过OCR处理后，文档看起来完全一样，但底层现在有了真正可以交互的文字。
如何在线为PDF应用OCR（免费）
Reduce your PDF file size instantly. No software needed.
使用PDFlexa OCR：
- 前往PDFlexa OCR
- 上传你的扫描型PDF（拖放或点击选择文件）
- 从下拉菜单中选择文档的语言（支持24种语言）
- 选择输出格式：
- 可搜索PDF——保留原始外观，添加隐形文字层
- 纯文本（.txt）——仅提取文字，不含排版
- 点击运行OCR
- 下载结果
处理过程使用Tesseract.js在你的浏览器中完成。对于大型PDF（30页以上），处理需要几分钟。没有任何文件会上传到服务器。
支持的语言包括： 英语、法语、德语、西班牙语、葡萄牙语、意大利语、荷兰语、波兰语、俄语、阿拉伯语、中文（简体）、日语、韩语、印地语、土耳其语，以及另外9种语言。
什么时候需要OCR？
| 文档类型 | 是否需要OCR？ |
|---|---|
| 纸质文档扫描成PDF | ✅ 需要——它是一张图片 |
| 用手机拍摄的文档照片 | ✅ 需要 |
| 由Word/Excel/Google文档生成的PDF | ❌ 不需要——已有文字层 |
| 直接由软件导出的PDF（发票、收据） | ❌ 不需要——已有文字 |
| 旧的扫描存档文档 | ✅ 需要 |
| 文字模糊或乱码的PDF | ⚠️ OCR可能有所改善 |
| 无法填写的表单PDF | ✅ OCR + 填写PDF会有帮助 |
一个快速的检验方法：试着在页面上选中文字。如果你能高亮选中一个词，说明这份PDF已经有文字层。如果光标只能框选出一整块区域（就像选中一张图片一样），那它就是一张扫描图片，需要OCR。
OCR的工作原理（幕后机制）
Turn any PDF into an editable Word document in seconds.
- 页面渲染——PDF的每一页都会以高分辨率（相当于300+ DPI）渲染成图片
- 预处理——图像会经过去斜、去噪，并转换为灰度图
- 文字检测——OCR引擎识别出看起来像文字的区域（列、行、单词）
- 字符识别——每个字符区域都会与所选语言的训练模型进行匹配
- 文字层生成——识别出的字符会被放置在原始图像上检测到的对应位置
- PDF重建——生成一份新PDF，包含原始图像加上这个隐形文字层
OCR质量取决于：扫描分辨率（越高越好）、文档质量（清晰印刷体 vs. 褪色墨迹）、语言是否匹配，以及文字是印刷体还是手写体。PDFlexa使用Tesseract——应用最广泛的开源OCR引擎，已针对100多种语言进行了训练。
获得更好OCR效果的技巧
以300 DPI或更高分辨率扫描。 大多数消费级扫描仪默认设置为150 DPI，这个分辨率足够查看，但OCR效果不佳。文字请使用300 DPI，极小字号请使用600 DPI。
用灰度或黑白模式扫描。 彩色扫描文件更大，且对标准文本文档而言并不能提升OCR质量。灰度是最佳平衡点。
确保页面平整且端正。 弯曲的页面（因装订产生）、倾斜的扫描件，或手机相机产生的阴影，都会降低准确率。大多数平板扫描仪能很好地处理这一点；手机拍摄扫描是最容易出问题的情况。
选择正确的语言。 Tesseract使用针对特定语言训练的模型。用英语OCR处理德语文档，会在变音符号（ä、ö、ü）上产生较差的结果。请务必匹配正确的语言。
大写字母和印刷体文字的OCR效果优于手写体。 标准OCR是为印刷体文字设计的。手写体识别是一个独立（且更难）的问题，Tesseract在这方面表现较弱。
OCR准确率：合理预期
| 文档质量 | 预期准确率 |
|---|---|
| 干净、印刷体、平整扫描、300 DPI | 98–99%字符准确率 |
| 标准办公室扫描、150 DPI | 92–96%准确率 |
| 墨迹褪色的旧文档 | 80–90%准确率 |
| 手写笔记 | 50–75%（波动很大） |
| 多栏学术论文 | 90–95%（排版检测更难） |
| 非拉丁字母文字（阿拉伯语、中文、韩语） | 语言正确时为85–95% |
对于关键文档（合同、法律记录），务必检查OCR输出中的错误——尤其是专有名词、数字和日期。
OCR vs. PDF转Word：区别是什么？
| OCR PDF | PDF转Word | |
|---|---|---|
| 输出结果 | 可搜索的PDF（外观不变）或.txt | 可编辑的.docx |
| 最适合 | 让扫描件可搜索/具备无障碍访问性 | 在Microsoft Word中编辑内容 |
| 排版 | 完美保留原始排版 | Word转换可能导致排版偏移 |
| 使用场景 | 存档、搜索、无障碍访问 | 重复利用并编辑内容 |
如果你想在Word中编辑扫描内容，请先运行OCR，然后再使用PDF转Word——OCR能为转换器提供真实的文字，而不是空白图像区域。
常见问题
OCR会改变我PDF的外观吗？ 不会。OCR文字层是隐形的——它位于页面图像之下。OCR前后PDF的外观完全一致。唯一的区别是，现在文字可以被选中和搜索了。
OCR能读取手写体吗？ 标准OCR是针对印刷体文字训练的，对手写体的识别并不可靠。结果取决于笔迹的清晰和一致程度，波动很大。对于重要的手写文档，人工转录会更可靠。
我一次能对多少页进行OCR？ PDFlexa基于浏览器的OCR每次上传最多支持50页。对于更长的文档，请先将PDF拆分成多个部分，分别进行OCR，再合并结果。
为什么OCR处理时间这么长？ 每一页都会单独处理：渲染为高分辨率、分析、识别。一份20页的文档在浏览器中可能需要1–3分钟。处理过程运行在你的设备上——速度取决于你的CPU和内存。
OCR是免费的吗？ 是的。PDFlexa OCR完全使用开源的Tesseract.js在你的浏览器中运行，不收取任何费用。无需账户，OCR工具也没有每日次数限制。