通过 OCR 识别文本
使用光学字符识别从扫描的 PDF 和图片中提取文本。
从任意 PDF 中提取文字 - 免费 OCR 工具
扫描版 PDF 和基于图像的文档看起来和普通文件一样，但实际上不包含任何可读的文字层，它们本质上是页面的照片。我们的 OCR PDF 工具会分析每一页的图像，使用 Tesseract 识别其中的字符，然后将提取出的文字以纯文本文件的形式输出，方便你复制、编辑或粘贴到其他工具中使用。整个处理过程完全在你的浏览器中运行，底层采用 OCR 引擎的 WebAssembly 构建版本，你的文件始终不会离开你的设备。
OCR 是什么，什么时候需要用它
OCR 是光学字符识别（Optical Character Recognition）的缩写。当一份文档经过扫描、拍照，或由某个将页面栅格化（rasterize）的系统导出时，生成的 PDF 中不包含任何文字数据，只有字母的像素图像。PDF 阅读器虽然能正常显示这些文件，但你无法选中文字、用 Ctrl+F 搜索，也无法复制其中的句子。OCR 通过分析每一页上的视觉形状，识别出它们所代表的字符，从而解决这个问题。
以下情况你需要用到 OCR：
- 你有一份扫描版的合同、发票或表单，需要从中复制文字
- 你的 PDF 是由照片或传真生成的，无法搜索
- 你想在使用 PDF 转 Word 工具之前，先从扫描文档中提取文字
- 你需要让归档文档变得可搜索，以满足合规或记录保存的要求
- 你收到的 PDF 中文字以图像形式呈现，无法被选中
我们的 OCR 工具是如何工作的
- 上传文件 - 拖入一个扫描版 PDF 或图像文件（JPG、PNG、WebP）。文件由浏览器在本地读取，不会发送到任何服务器。
- 选择语言 - 选择文档文字所使用的语言。Tesseract 会加载对应语言的字符训练模型，以提升识别准确率。
- 选择页面 - 处理整份文档，或指定单个页面或页面范围。
- 运行 OCR - Tesseract 通过 WebAssembly 在你的浏览器中分析每一页图像，并提取识别出的文字。
- 下载结果 - 将提取的文字保存为纯 .txt 文件，或直接复制到剪贴板。如果想将内容作为文档进行编辑，可以将文字粘贴到 PDF 编辑器中，或在对原始扫描文件运行 OCR 后，将其作为 PDF 转 Word 转换器的输入来源。
哪些因素会影响 OCR 准确率
OCR 的准确率取决于源文档的质量。高分辨率、白色背景上有清晰深色文字的扫描件效果最佳。常见的影响准确率的因素包括：扫描分辨率过低、页面倾斜或旋转、手写文字、装饰性字体、彩色背景、水印与文字重叠，以及严重的压缩失真（artifact）。在处理前选择正确的语言也会带来显著差异，因为 Tesseract 会使用特定语言的字符和词汇模型来解析模糊字符。
如果你想深入了解 OCR 技术的工作原理以及处理扫描文档的最佳方法，我们的 OCR PDF 文件博客文章用通俗易懂的语言介绍了核心技术和使用场景。
常见问题
OCR 是光学字符识别（Optical Character Recognition）的缩写。它通过分析每一页图像的像素内容，使用在大量文字样本上训练的模式识别模型来识别字符形状，再将识别出的字符组合成单词和行。本工具使用以 WebAssembly 模块形式运行在浏览器中的 Tesseract，因此整个处理过程中不会有任何文件上传到服务器。
不会。OCR 引擎以 WebAssembly 模块的形式完全在你的浏览器中运行。你的文件通过浏览器的 File API 在本地读取，并在你的设备上处理。整个过程中不会有任何数据传输到任何服务器。
扫描版 PDF 是通过拍摄或扫描实体页面生成的。结果是一张栅格图像（raster image），即像素网格，不包含任何底层文字数据。PDF 阅读器能正确渲染图像，所以看起来像普通文档，但实际上没有文字层可供阅读器搜索或选择。OCR 通过读取像素内容并识别字符，从识别结果中生成可选中的文字。
OCR 主要针对印刷体或打印文字设计，对手写内容的识别效果并不可靠。不同人的手写字符在形状、大小、间距和倾斜度上差异很大，这使得准确识别比印刷字体难得多。对于书写工整、风格统一的手写内容，工具可能会正确提取部分单词，但总体来说，手写文档的识别准确率通常较低。
先将扫描版 PDF 通过 OCR 工具处理，提取出文字内容。然后将提取的文字用于 PDF 转 Word 工具处理原始扫描文件，或直接将提取的文字粘贴到 Word 文档中。PDF 转 Word 转换器在处理基于文字的 PDF 时效果最佳，提前运行 OCR 可以为你提供所需的原始文字内容。
不会。本工具只提取识别出的文字，并以纯 .txt 文件或剪贴板内容的形式输出。它不会以任何方式修改原始 PDF。PDF 文件本身保持不变，只有提取的文字作为输出结果返回。
本工具支持 19 种语言：英语、德语、法语、西班牙语、葡萄牙语、意大利语、波兰语、俄语、土耳其语、日语、韩语、中文（简体和繁体）、阿拉伯语、印地语、印度尼西亚语、马来语、越南语和泰语。处理前请从下拉菜单中选择文档所使用的语言。Tesseract 会为所选语言加载对应的训练数据模型，与使用错误的语言设置相比，这能显著提升识别准确率。
可以。你可以在页面输入框中指定要处理的页面。用逗号分隔单个页码，或用连字符表示范围，例如 1, 3, 5-7。未包含在选择范围内的页面将被跳过。这对于大型文档特别有用，当只有某些页面是扫描图像，而你只需要从这些特定页面提取文字时，这个功能非常方便。
OCR 准确率取决于源图像的质量。文字缺失或识别错误的常见原因包括：扫描分辨率过低、页面倾斜、墨迹褪色、文字与图像或水印重叠、非常规字体，以及严重的 JPEG 压缩失真（artifact）。以 300 DPI 或更高分辨率扫描，并保持文字与背景之间良好的对比度，可以获得最准确的识别结果。如果识别质量较差，在运行 OCR 之前以更高分辨率重新扫描原始文档，将会显著改善输出效果。
可以。除 PDF 外，本工具还支持 JPG、PNG、GIF 和 WebP 图像文件。上传图像后，Tesseract 会直接对其进行处理并提取识别出的文字。这对于从文档照片、截图或以图像而非 PDF 格式保存的扫描页面中提取文字非常实用。