把一叠扫描页变成可搜索的PDF

手机摄像头和平板扫描仪解决的是两个不同的问题，而且两者都不能单独让结果变得可搜索。

作者：PulsarKit · 发布于2026年9月8日 · 更新于2026年10月16日

一张书页的照片不等于扫描件

把手机举在桌子上方拍，摄像头看到的书页是一个梯形，不是矩形；它记录下来的也不是纸张干净的白色，而是房间里的颜色和书页混在一起。要从这样一张照片得到一份看起来像真正扫描件的东西，需要先在画面里找到纸张的四个角，校正透视变形，让页面变回方正，再做局部亮度阈值处理，把纸变白、把墨迹变黑。不做这些，你得到的只是一张灰蒙蒙、略微变形的照片，拍的是放在桌上的一页纸。这些都不是靠拍得更清楚就能做到的，而是拍摄之后专门做的一种校正。

一页一页来，边拍边校正

自动找角在大多数情况下能把梯形找准。遇到带花纹的桌布、深色木头，或者书页超出画面边缘时，它就会找错；书页特别大时这种情况很常见，最好事先就有准备，而不是把它当成失败。找错时，手动把四个控制点拖到真正的角上，就能修好这一页，不用重做整批。这样做好的页面会排在一个列表里，可以调整顺序、旋转四分之一圈，或者原地重拍；如果某一页最后还是放错了位置，之后可以用整理PDF页面移动。重拍只替换那一页，不必把整叠书页从头再扫一遍。

扫描版PDF还是不能搜索

每一页都拍好、校正好，并用JPG转PDF合成一个PDF之后，从技术上说，结果仍然是一叠图片。所有页面下面都没有文字层，所以文档里的任何内容都无法选中、复制，也搜不到。很多人以为“扫描成PDF”和“可搜索的PDF”是一回事，发现不是时会很意外。两者确实不同，填补这个差距的就是文字识别（OCR）。在扫描好的文件上运行PDF文字识别，会在每一页的图像后面加一层看不见、位置精确的识别文字。页面看起来和原来一样，但上面的文字现在可以选中、复制和搜索了。

第一次就把识别做好

识别准确率很大程度上取决于原图是否平整、光线是否充足、角度是否端正，而前面的扫描和透视校正步骤，正是为了保证这些。一张拉直、阈值处理干净的页面，识别效果远好于在昏暗光线下斜着拍的照片。识别前自动运行的纠偏和自动旋转，能处理掉大部分剩余的倾斜。选对语言也很值得：文档混用几种语言时，最多可以选三种。用错了文字体系，即使页面本身很干净，识别效果也会明显变差。

动手之前，先选好跳过、重做还是强制

一批扫描页很少是完全一样的。有些页面可能已经带有早先识别留下的文字层，再识别一遍只是浪费时间，不会带来什么有用的变化。对混合的一批页面，安全的默认做法是不动已有文字的页面，只识别纯图像页面。如果已知现有的文字层是错的，比如一次糟糕的OCR把它弄成了乱码，就选择强制识别：忽略已有的所有文字，从图像重新识别每一页，这样才能修好。否则，错误的文字层会原样留在下面，上面再多出一层用不上的文字层。

拍摄时的常见错误

大多数糟糕的扫描件，在任何软件处理之前就已经注定了。只在一盏灯下拍，手机或你自己手的影子会落在书页上，任何阈值都分不清影子和墨迹；用窗户照进来的日光，或者从两侧对着打的两盏灯，就能从源头上解决问题。光面纸会把光反射回镜头，形成一块白斑，盖掉下面的文字，所以要倾斜书本或移动灯光，直到反光离开书页。厚书自己永远不会摊平：靠近书脊的文字会弯曲、缩小，相机拍下来就是一片模糊。用手或重物压住对面那一页，一次只拍一页，而不是拍两页摊开的跨页，就能让每一行都足够直，可以识别。把书放在和纸张颜色对比明显的素色表面上，因为带花纹的布和深色木纹，恰恰最容易骗过找角功能。手机要和书页保持平行，不要斜着拍；识别前也不要缩小照片：识别读的是文字的细笔画，缩小后的副本最先丢掉的就是它们。最后，按阅读顺序拍，结束时核对页数；现在发现少了一页，重拍要比OCR做完后才发现容易得多。

识别过程中文件会怎样处理

这项工作的两部分在不同的地方完成。用JPG转PDF合成页面、在整理PDF页面里调整顺序，全部在浏览器中完成，照片不会上传。识别则不同：多页扫描件需要真正的OCR引擎，所以PDF文字识别会通过加密连接把合成好的PDF上传到我们的服务器，每个任务最多300 MB、500页。上传的文件在任务完成后立即删除，结果可以下载一小时，并且无论你下载与否，都会在约两小时内清除。返回的页面数量和顺序都不变，每一页都带有一层看不见的文字层；“校正倾斜页面”和“自动旋转页面”默认开启，还会把歪斜或上下颠倒的页面摆正。用手机拍的书，远在达到页数上限之前就会碰到大小上限：一张照片约3 MB，一百页就已经占满300 MB。所以分批合成，每批约一百张照片，或者用PDF拆分切开已经做好的PDF，再逐个部分识别；PDF合并会按顺序把结果拼起来，总共最多500 MB。先选好语言，混用几种语言的书最多选三种，再打开“同时附带纯文本文件”，以普通.txt文件得到识别出的文字：在处理其余部分之前先检查一页样张，这是最快的办法。

本文用到的工具

PDF文字识别给扫描版PDF添加可搜索的文字层，支持15种语言。文字可以选中；倾斜或横放的页面会被摆正，除非你关闭这项功能。在我们的服务器上运行，文件约两小时内自动删除。

JPG转PDF把一整个文件夹的JPG照片按你选的顺序合成一个PDF，一个像素也不重新压缩。

整理PDF把文档的页面排成你想要的顺序，同时可以旋转、复制或删除单独的页面。