OCR PDF

使 PDF 可搜索和可复制。

工作原理:

  • 提取文本: 使用 Tesseract OCR 从扫描的图像或 PDF 中识别文本。
  • 可搜索输出: 创建一个带有不可见文本层的新 PDF,使您的文档完全可搜索,同时保留原始外观。
  • 字符过滤: 使用白名单过滤掉不需要的字符并提高特定文档类型(发票、表单等)的准确性。
  • 多语言支持: 为包含混合语言内容的文档选择多种语言。

点击选择文件 或将文件拖放到此处

您的文件从未离开您的设备。

使用方法

1

上传文件

点击或拖放您的文件到此处

2

工艺流程

点击处理按钮开始

3

下载

立即保存处理后的文件

相关 PDF 工具

合并PDF

免费在线合并 PDF 工具

压缩PDF

免费在线压缩PDF工具

分割PDF

免费在线分割PDF工具

编辑PDF

免费在线编辑PDF工具

旋转 PDF

免费在线旋转 PDF 工具

常见问题

我如何知道我的 PDF 是否需要 OCR?

在任何查看器中打开文件并尝试选择一行文本。如果没有突出显示或搜索找不到匹配项,则页面只是图像(扫描件或照片),OCR 会添加缺失的文本。已经具有可选择文本的 PDF 不需要此工具。

它可以识别哪些语言?

列出了超过 100 个 Tesseract 语言包,从英语、西班牙语到阿拉伯语、印地语、日语和中文。勾选文档中出现的每种语言;这些包一起加载,因此可以一次性识别混合语言页面。一些自托管部署捆绑了一个较短的列表,并在语言选择器上方注明。

OCR 会改变我的文档的外观吗?

不会。原始页面原样复制,并在顶部绘制不可见的文本层,逐字定位以匹配扫描件。您会看到与以前相同的图像,但现在可以搜索、选择和复制文本。

我应该使用哪种分辨率设置?

默认设置为“高”(288 DPI),可处理典型的办公文档。当速度很重要或文件很长时,请使用标准 (192 DPI),而对于小字体、脚注或质量较差的扫描,请使用 Ultra (384 DPI)。设置越高,需要的时间明显越长,因为每个页面在识别之前都会以该尺寸呈现。

角色白名单有什么作用?

它将输出限制为一组固定的字符,从而减少了错误,例如小写 l 被读作 1。 Invoice 预设仅允许使用数字和符号 $ 。 , / - # :, 数字仅适合序列号或仪表读数,自定义可让您键入自己的设置。

可以读取手写体吗?

不可靠。 Tesseract 接受过印刷文本的训练,因此整齐的大写字母有时会起作用,但草书大多会产生噪音。在干净、明亮的打印页面上效果最佳;二值化选项有助于褪色或低对比度扫描,以及 PDF 纠偏 首先拉直倾斜的。

我可以只获取已识别的文本而不是 PDF 吗?

是的。 OCR 完成后,提取的文本将出现在一个框中,您可以在其中查看、将其复制到剪贴板或将其下载为 ocr-text.txt。可搜索的 PDF 下载是单独的,因此您可以选择其中一个或两个。

OCR 是否会将我的扫描件上传到服务器?

不会。Tesseract 在浏览器中作为 WebAssembly 运行;唯一下载的是 OCR 引擎和您选择的语言包,在第一次需要时获取。扫描的页面和识别的文本保留在您的设备上。