OCR 识别

用途

对扫描版 PDF 进行光学字符识别（OCR），把图像化的文字转换为真正的文字层，让 PDF 变为可全文搜索、可复制、可被「提取文字」处理的状态。识别模型在浏览器本地运行（首次下载约 5-35 MB 模型，之后可完全离线），文件不上传服务器，免费、无水印、无张数限制。常用于扫描合同的全文检索；图书古籍数字化存档；纸质笔记拍照后转可编辑文本。

操作步骤

1. 拖入或点击选择扫描版 PDF
2. 选择识别语言：中文 / 英文 / 中英混合 / 日文 / 韩文
3. 首次使用会自动下载对应语言模型（英文 ~5MB，中文 ~30MB）
4. 等待模型加载完成（约 5-15 秒）
5. （可选）选择是否「保留原图作为背景」（生成可搜索 PDF 时建议保留）
6. （可选）调节「DPI 重采样」（300 默认，平衡精度与速度）
7. 点击「开始识别」
8. 查看进度条：每页约 3-8 秒，依 CPU 而定
9. 完成后输出可搜索 PDF（文字层覆盖在原扫描图上）或纯文本 TXT

常见问题

文件会上传到服务器吗？

不会。OCR 模型（Tesseract 引擎 + 训练数据）在浏览器本地通过 WebAssembly 运行，扫描件从未离开你的设备。这与多数云 OCR（百度 OCR、Google Vision）的服务端处理本质不同。

中文识别准确率如何？

印刷体中文识别率通常 95%+，扫描清晰、字体规整的文档接近 99%。手写体、模糊扫描、复杂版面（表格、多栏）准确率会下降，建议扫描时使用 300 DPI 以上分辨率。

为什么第一次很慢？

首次使用会下载语言模型（英文 ~5MB，中文 ~30MB，中英混合 ~35MB），下载完成后会缓存在浏览器，后续使用立即可用。下载速度受网络影响，国内一般 3-10 秒。

识别速度多少？

纯文字单页 A4 在普通笔记本（i5/8GB）约 3-5 秒。图文混排或高分辨率扫描约 8-12 秒/页。多页文档建议在挂机时间运行，100 页约 10-20 分钟。

支持手写体识别吗？

目前 Tesseract 引擎对手写体支持有限，识别率显著低于印刷体。规整的楷书可能识别 70-80%，连笔字几乎无法识别。

应用场景

• 扫描的纸质合同 OCR 后可全文检索关键条款
• 图书馆古籍数字化存档便于学术检索
• 手机拍的会议笔记 OCR 后转可编辑文本
• 扫描的财务报表 OCR 后导出文字供下游分析
• 外文图书扫描件 OCR 后翻译软件直接处理

提示

扫描质量直接决定 OCR 效果。建议：1) 至少 300 DPI；2) 文档摆正不要倾斜；3) 避免阴影和反光；4) 黑白文档先二值化效果更好。中英混合的文档使用「中英混合」模型，单独中文或英文模型对外语字符识别率低。