PDF OCR 文字识别
在浏览器中识别图片扫描页并生成可搜索 PDF。已有嵌入文字的页面不会重复识别。
使用步骤
如何使用
- 选择一个不超过 30 MB、25 页的本地 PDF。
- 选择扫描页使用的语言并开始 OCR。
- 下载可搜索 PDF。文件仅在本设备处理，不会上传。
扫描页与已有文字
PDF.js 会检查每页是否含有嵌入文字。非空白字符达到 12 个的页面保留其原页面内容；没有文字层的页面会在本地渲染并执行 OCR，以避免在普通电子文档上叠加重复文字。
本地 OCR 与语言模型
Tesseract.js 在浏览器 WebAssembly worker 中运行。英文、简体中文、日文和韩文模型由本站托管，并按需下载。PDF 和识别出的文字不会发送到服务器。识别结果仅供参考，请人工校对。
限制与输出行为
仅支持一个不超过 30 MB、25 页的 PDF；扫描页按 144 DPI 渲染，每页最多 1,200 万像素，总计最多 8,000 万像素。OCR 页会变为以栅格图像为底、带可搜索文字层的页面；已有文字页按页面内容复制。如果同一页只有少量文字但还包含扫描图片，该页会按已有文字页处理。重建 PDF 时不保证保留表单、批注、签名、书签、附件和文档元数据。
常见问题
你可能还想知道
PDF 会上传吗？
不会。PDF 解析、页面渲染、OCR 和 PDF 创建都在浏览器本地运行；仅会从本站下载所选语言模型。
已有可选中文字的页面也会识别吗？
不会。为避免重复文字层，已有文字的页面会跳过 OCR；没有嵌入文字的页面才会识别。
一个文档可以识别多种语言吗？
请选择扫描页的主要语言。当前版本每份 PDF 只处理一种 OCR 语言，混合语言或误识别仍可能出现。
会完全保留原 PDF 吗？
不会。扫描页需要 OCR 时会重新组装 PDF。OCR 页以栅格图像为底；交互功能、签名、书签、附件和元数据不保证保留。请留存原文件。