PDF OCR 文字识别
识别扫描像素，按原始显示尺寸重建可搜索 PDF
工具说明
渲染选定的可见 PDF 页面，并用任务独占的 Tesseract Worker 识别像素。可选英文、简体中文或混合模型，自动版面、单文字块或稀疏文字，以及 1.5×、2×、2.5× 渲染。完整 TXT/JSON 包含源页码和 OCR 置信度估计。可选的可搜索 PDF 会同步缩放图像与隐藏文字，保持包含 CropBox、旋转和 UserUnit 在内的原始物理显示尺寸；不保留原矢量、表单、注释、链接、书签或签名。输入最多 75 MiB、1000 页，一次选择最多 40 页，每页 1600 万像素、合计 8000 万像素。语言包按需下载，文档留在本地。全部无文字或失败任务不生成完成结果，也不导出部分内容。
推荐工作流
场景配方
把图片型发票变成可搜索文字
目标：比较两种分辨率下的识别结果，同时保持物理页面尺寸。
- 载入两页图片型示例，选择第 1 页、English、单个文字块和 1.5×，开启可搜索 PDF。
- 运行 OCR，核对 Invoice 2026-0930 与 Total USD 128.50，然后下载 TXT、JSON 和 PDF。
- 改为 2.5× 再识别，核对金额、PDF 文字选择位置，并确认两个输出都保持 800 × 250 pt 页面尺寸。
结果：得到经核对的可搜索栅格 PDF 与完整文本导出；提高倍率只改变图像分辨率，不改变物理纸张大小。
失败门诊（高频踩坑）
新 PDF 没有可编辑矢量或表单字段
原因：输出由页面渲染图与隐藏 OCR 文字重建，不复制源文档结构。
修复：保留原件。已有可选文字足够使用时改用文字层提取器，并在替换任何文件前检查新 PDF。
置信度较高却出现错误金额或阅读顺序
原因：置信度是引擎估计；表格、多栏、混合语言和低质量扫描仍可能误识别。
修复：选择匹配的语言和版面，逐项对照源文件数字，并在像素预算内尝试提高倍率。OCR 不是表格转电子表格工具。
识别中断或没有找到文字
原因：语言包可能加载失败，页面可能超过渲染预算，扫描件也可能没有可识别文字。
修复：加载失败时重试；预算错误时减少页数或降低倍率；无文字时尝试更清晰扫描或其他语言。不导出部分结果。
生产可用片段
分辨率变化不改变物理页面
text
源显示尺寸：800 × 250 pt
1.5× 渲染：1200 × 375 像素（108 dpi）
2.5× 渲染：2000 × 625 像素（180 dpi）
两个可搜索输出：800 × 250 pt
示例预期文字包括：Invoice 2026-0930 / Total USD 128.50常见问题
OCR 与文字层提取有什么区别？
OCR 识别渲染后的像素，可处理没有文字层的扫描件；已有可选文字也会栅格化，无需识别时应使用文字提取。
可搜索 PDF 保留什么？
保留按原物理显示尺寸生成的页面图像和新的隐藏 OCR 文字层；不保留原矢量、表单、注释、链接、书签或数字签名。
提高倍率会放大纸张吗？
不会。图像和隐藏文字同步缩放回原始物理显示尺寸，提高倍率只增加像素分辨率与内存使用。
有哪些语言和版面模式？
支持英文、简体中文或混合模型，以及自动版面、单文字块和稀疏文字。置信度只是 OCR 估计，姓名、数字和阅读顺序需要核对。
页码和输出有哪些限制？
输入最多 75 MiB、1000 源页；选定最多 40 页，每页 1600 万像素、合计 8000 万像素。PDF 输出最多 100 MiB，TXT/JSON 最多 8 MiB。无效范围会拒绝整个任务。
文件会上传或导出部分结果吗？
PDF 留在本地，仅下载引擎与语言包。失败或全部无文字时不生成完成导出；更换文件、选项或离开页面会撤销任务、Worker 和旧结果，下载需主动点击。
继续浏览