如何对扫描版 PDF 进行 OCR 识别并使其可搜索

扫描版 PDF 是文档的数字照片。页面内容全是图像。你无法选中文字、搜索词语、复制句子，也无法将内容导入任何文本处理工具。从信息检索的角度看，扫描版 PDF 基本上是不透明的。

OCR（光学字符识别）通过分析这些图像、构建覆盖在视觉内容之上的文字层来解决这一问题。结果是：PDF 外观与原始扫描完全一致，但包含一个隐形文字层，使所有内容均可选中、可搜索、可复制。

OCR 的工作原理

LuraPDF 使用 Tesseract.js——Tesseract 的浏览器编译版本。Tesseract 是最准确的开源 OCR 引擎之一，由 Google 维护，最初由 HP 实验室开发。Tesseract 使用基于 LSTM 的神经网络模型，经过数十种语言的数百万份文档页面训练而成。

OCR 处理流程：

1. 页面渲染：每个 PDF 页面以高分辨率（300+ DPI 以获得最佳精度）渲染为画布图像
2. 预处理：图像增强——二值化、降噪、纠偏（校正旋转的扫描件）
3. 版面分析：检测文字区域、栏目、表格和非文字元素
4. 字符识别：神经网络对分割后文字区域中的每个字符进行分类
5. 后处理：语言模型评分，消除相似字符的歧义（例如"l"与"1"、"O"与"0"）
6. PDF 写入：识别出的文字以隐形文字层的形式嵌入，精确定位于对应的视觉字符之上

隐形文字层正是使结果可搜索的关键。页面的视觉外观仍为原始扫描图像——你看到的与扫描时完全一致，但底层文字现在已可被机器读取。

影响 OCR 准确率的因素

准确率因输入质量不同而存在显著差异：

扫描分辨率

300 DPI 是保证可靠准确率的最低要求。 低于 200 DPI 时，字符识别质量会大幅下降。如果你正在扫描文档以供 OCR 使用，请始终以 300 DPI 或更高分辨率扫描。

150 DPI 或更低分辨率扫描的文档，应在 OCR 之前重新以更高分辨率扫描。无论引擎多优秀，对低分辨率扫描件运行 OCR 的效果都会很差。

字体与印刷质量

• 打印文本（激光打印机输出、排版书籍）：清晰原件准确率可达 98–99%
• 字迹清晰的高质量手写体：85–95%
• 模糊或褪色文字：80–95%，取决于对比度
• 复写纸：60–85%
• 旧报纸/打字机文本：清晰扫描件可达 90–95%
• 草书手写体：40–70%——神经网络 OCR 对草书识别能力有限

页面方向

严重倾斜或旋转的页面会降低准确率。包括 Tesseract 在内的大多数 OCR 引擎可自动检测并校正轻微旋转（最多约 10 度）。旋转角度较大的页面应先通过旋转 PDF 手动校正。

语言

Tesseract 支持 100 多种语言。LuraPDF 的 OCR 工具可自动检测英文。对于非拉丁字母或非英语文档，选择语言可显著提升准确率。

如何使用 LuraPDF 对 PDF 进行 OCR

1. 打开 OCR 工具：前往 LuraPDF OCR PDF
2. 上传扫描版 PDF：将文件拖放至上传区
3. 选择语言（非英语时）：选择文档的主要语言
4. 点击"运行 OCR"：处理在浏览器中逐页进行。所需时间因文档长度而异——在现代计算机上，20 页的扫描件通常需要 30–90 秒
5. 下载可搜索的 PDF：输出文件为包含原始扫描图像及嵌入文字层的 PDF

验证结果

OCR 完成后，请验证准确率：

• 在页面上选中文字——文字应能精确地在印刷字符上方被选中
• 搜索（Ctrl+F / Cmd+F）一个常见词——应能找到
• 复制一段文字并粘贴到文本编辑器中——输出内容应清晰可读

如果准确率较低，请先检查输入扫描件的质量，再尝试其他工具。

何时在其他操作前先运行 OCR

OCR 可解锁 LuraPDF 的其他操作，这些操作在纯图像 PDF 上无法正常使用：

• OCR 后压缩 PDF：文字提取完成后，图像区域有时可以更积极地压缩
• OCR 后PDF 转 Word：将 OCR 后的 PDF 转换为 Word 可得到可编辑文字；将原始扫描件转换则会得到嵌入图像的 Word 文件
• OCR 后编辑 PDF：基于文字的编辑可在 OCR 后的文档上正常使用
• 搜索与提取：无需重新输入即可查找并复制特定信息

隐私：OCR 在你的浏览器中运行

Tesseract.js 使用 WebAssembly 在本地完成全部 OCR 处理。你的扫描文档——通常包含病历、财务报表、法律文件或个人身份信息——永远不会离开你的设备。没有远程服务器处理你的文件。

这是相对于云端 OCR 服务的显著优势——云端服务必然会收到你处理的所有内容的副本。

基于浏览器的 OCR 的局限性

处理时间

Tesseract.js 比原生桌面版 Tesseract 或云端 OCR API 慢。根据你的硬件性能，每页大约需要 3–8 秒。50 页的文档可能需要数分钟。

表格

Tesseract 可识别表格内容，但不会在 PDF 文字层中重建表格结构——文字将按阅读顺序排列，但单元格结构不会保留。如需结构化的表格提取，请将 OCR 后的 PDF 转换为 Word，再手动重新格式化表格。

数学符号

LaTeX 风格的方程式和数学符号的准确率较低。Tesseract 模型针对自然语言文本进行了优化。

手写体

如前所述，草书手写体的识别准确率有限。印刷体手写字的效果更好。对于重要的手写文档，请逐页手动核对。

常见问题

OCR 识别出的文字与字符不对齐——这是 bug 吗？ 这可能发生在严重倾斜的扫描件上。文字位置是根据检测到的字符位置计算的，但如果页面几何形状不规范，对齐可能会出现偏差。请先尝试旋转 PDF 纠正倾斜，再运行 OCR。

能只对特定页面进行 OCR 吗？ LuraPDF 会处理所有页面。如果只需对特定页面进行 OCR，请先使用提取 PDF 页面将这些页面提取出来，运行 OCR，再按需合并结果。

OCR 会改变扫描文档的视觉外观吗？ 不会。原始扫描图像会完整保留。只会添加一个隐形文字层。

能对既有文字页面又有扫描页面的 PDF 运行 OCR 吗？ 可以——Tesseract 会处理基于图像的页面并添加文字层。已有文字层的页面不受影响。

我的文档是阿拉伯语/中文/日语——OCR 能正常使用吗？ 可以，但请在运行前在工具中选择正确的语言。Tesseract 对 CJK 语言和从右到左书写语言的准确率不错，但相比拉丁字母文档，其准确率受扫描质量的影响更大。

OCR 将封存的扫描文档档案转化为可访问、可搜索、可处理的信息。一柜子扫描合同变成了可检索的数据库。一叠病历变成了可以真正浏览的文档。整个过程只需几秒到几分钟，并完全在你的设备上运行。