PDF文字识别

如何识别扫描版PDF中的文字

1. 1

   上传扫描版PDF

   也就是内容其实是文字图片的文档，最大300 MB、500页。

2. 2

   选择文档语言

   如果文档里混用多种语言，最多可以选三种；再决定是否跳过已经有文字的页面。

3. 3

   下载可搜索的PDF

   页面和顺序都不变，但文字现在可以选中、复制，也能用Ctrl+F找到。

图片保留，文字层垫在下面

文字识别（OCR）不会把扫描件变成另一种文档。它识别每页上的文字，在你看到的图片后面放一层看不见、位置精确的文字层。打开结果，看上去和原文件一样，只是倾斜的页面会被摆正（见下文），而且文字可以选中，搜索引擎、屏幕阅读器或你自己的Ctrl+F都能读到它。页数和顺序都不会改变。

三种模式，对应三种情况

“跳过已有文字”是默认模式，也最稳妥：已经有文字层的页面保持不动，只识别纯图片的页面。“重新OCR”会替换已有的文字层，适合之前的识别效果很差的情况；它不能和页面校正同时使用，所以运行前先在“更多设置”里关闭“校正倾斜页面”。“强制OCR”忽略所有已有文字，把每一页都当作图片重新识别；当已有文字层存在、但内容错误、乱码或来自一次错误的识别时，就需要用它。

识别前先校正、旋转和清理

稍微拍歪或上下颠倒的扫描件会严重影响识别准确率，所以在Tesseract处理页面之前，默认先做倾斜校正和自动旋转，结果里放的也是摆正后的页面；如果想让每一页保持原样，在“更多设置”里把这两项都关掉。另外还有单独的背景清理，适合能看到纸张纹理或背面透印的扫描件，代价是处理时间稍长一些。

常见问题

指南

• 压缩一本扫描书：每个级别对60页做了什么论坛上有人问，一本580页的扫描书怎样压小，同时不损害文字。我们用PDF压缩的每个级别处理了一份60页的扫描件，逐一检查了像素、文件大小和文字。
• Mac上不用Acrobat，PDF怎么转Word：三种方法各能保留什么在Mac上，“预览”能复制文字，Pages打不开PDF，所以系统自带的方法最后只能复制粘贴。下面说明每种方法能保留什么，从Word自带的转换，到在我们的服务器上把文件重建为DOCX的网页工具。
• 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。
• 把一堆照片按正确顺序合成一个PDF一文件夹拍下来的收据或书页，要分两个独立的步骤才能变成能用的文档：先合成，再把顺序排对。
• 搭建一条每次都能复用的文件处理链大多数实际的文档工作都需要按特定顺序用上三四个不同的工具，而每次都凭记忆来做，正是漏掉某一步的原因。
• 修复后的PDF为什么还是通不过PDF/A验证修复一个打不开的PDF，和让它达到归档要求，是两套完全不同的标准。通过了其中一项，并不能说明另一项的情况。
• PDF转Word再转回PDF：哪些内容能保留下来把PDF转成Word和把Word转成PDF，并不是同一个操作的镜像。一个需要推测，另一个不需要。