让扫描版PDF可以搜索
从扫描件中识别文字，并以不可见的方式叠放在页面上。文档外观不变——只是变得可以搜索、选中和复制。扫描歪斜或横放的页面也会被摆正。
- 绝不存储
- 无需排队，无需等待
- 无需注册，无水印
使用方法
添加扫描版PDF
拖放文件。工具会检查它是否已有文字层，如果OCR反而会让效果变差，会提前告诉您。
确认语言
工具会读取第一页，并告诉您识别出的语言。如需自己选择，共有120多种语言可用。
下载
您会得到同一份文档，只是扫描图像后面多了一层隐藏的文字层。
页面不变，上面多一层不可见的文字
扫描图像完全保持原样。新增的是一层以不可见渲染模式绘制的文字——真实的字符，逐词定位在图像中对应文字的上方，并被标记为永远不绘制。页面看起来一模一样，因为视觉上什么都没变；选中一句话时，高亮会准确落在对应的文字上，因为不可见的文字就在可见墨迹所在的位置。这是制作可搜索扫描件的标准方法，也正因如此，结果既能被搜索、复制和索引，又仍然是一张文档的照片。
页面有两处会被特意校正，因为识别本来就需要这样做。横着扫描的页面会被转正，进纸时歪了的页面会被拉直——所以输出往往比输入更整齐。页面尺寸沿用原PDF，而不是统一规格，因此混合页面尺寸的文档依然保持原样，不会有任何缩放。
准确度几乎完全取决于扫描质量，而且差距悬殊。印刷文字的300 DPI清晰扫描件识别准确度非常高；同一页面在150 DPI下明显变差；在光线昏暗时斜着拍的照片则完全是另一回事。如果扫描由您掌控，300 DPI灰度就是关键设置——更高的分辨率很少有帮助，更低则会立刻变差。小字号、行距过密、彩色背景、复印件的复印件，以及任何盖章或手写的内容，都会带来任何软件都无法完全解决的困难。
刻意不写入的内容与写入的内容同样重要。照片、Logo、签名和装饰图形会被忽略而不去识别，因为硬从图片中读出字母，只会产生看似合理的乱码，然后出现在每一次搜索结果里。中文、日文和韩文文字能被识别，但在能容纳它们的字体推出之前，会从文字层中略去并为您计数，而不是写成空白。这里不会重新排版文档：页面上的文字仍然是图片，要把它们变成可编辑的文字，请使用转换为Word。
如果您需要的是别的
OCRmyPDF 是本页面只能作为便捷替代的工具，而且它是免费的。ocrmypdf --deskew --rotate-pages in.pdf out.pdf 能以更多控制完成同样的工作，加上 --optimize 3 可缩小结果，--redo-ocr 可替换质量差的已有文字层，--output-type pdfa 可在同一步中生成归档文件。它能处理数千页，可以在文件夹监控中运行，图书馆和文档档案馆实际用的就是它。
对于难处理的材料——历史印刷品、特殊版式、复杂表格——Google、Amazon或Microsoft的托管服务能识别通用识别引擎读不了的页面，因为它们用多得多的材料训练过。这是实实在在的能力差距，值得了解。但这也意味着要把您的文档发送给第三方，而这正是本页面存在所要避免的取舍——所以它适合处理一本脆弱的旧书，却不适合处理一箱医疗记录。
常见问题
处理后页面会变样吗？
只会变得更端正：扫描时歪了一度或横放的页面会被摆正。扫描图像本身保持不变，识别出的文字以不可见的方式放在上面——绝不会被绘制，也绝不会被打印。变化只是Ctrl+F终于能搜到内容了。
我的文档会被存储吗？
不会。识别过程不存储任何内容。首次使用某种语言时，识别引擎和语言包会从本站下载；文档本身绝不会离开您的设备。
识别准确吗？
对于印刷文字的清晰扫描件，非常准确。模糊的照片、手写和不常见的字体会降低准确度；倾斜会在识别前被校正。带框线的表格会逐个单元格识别，所以表单标签不会和填写的内容混在一起。
支持哪些语言？
120多种，包括英语、孟加拉语、印地语、乌尔都语、阿拉伯语、西班牙语、法语、中文、日语和韩语。文字种类根据页面自动检测；如果多种语言使用同一种文字，则以您浏览器的语言作为判定依据，您也可以自行更改。
文字层中少了一些字，为什么？
文字层只能容纳内置字体能写出的字符。孟加拉文、天城文、阿拉伯文、泰文以及另外二十多种文字在这里都有专门的字体；中文、日文和韩文暂时还没有，所以这些文字会为您计数，而不是保存为空白。使用带OCR的PDF转Word，可以完整获得这些文字。
需要多长时间？
每页几秒钟，因为识别工作由您自己的设备完成，而不是由服务器集群完成。进度会逐页显示。
小贴士： 在相应字体推出之前，中文、日文和韩文文字不会写入文字层，而是为您计数，不会保存为空白；识别引擎支持的其他所有文字都会写入。图片、Logo和签名会被忽略，因此绝不会变成乱码文字。任何通用OCR工具都无法可靠地识别手写内容。
把这个工具放到您的网站上
博客、课程页面或帮助文章均可免费使用。粘贴一段代码，访客就能直接在您的页面上使用。