PDF OCR 文字识别

使用方法

1. 上传扫描版 PDF
2. 选择语言（8 语种：eng / chi_sim / chi_tra / jpn / kor / deu / fra / spa）、输出（txt 或可搜索 pdf）与 DPI（72–600，建议 200–300）
3. 云端处理完成后，页内查看页数/字符数/耗时摘要与识别文本预览，再下载

功能说明

• pypdfium2（BSD-3/Apache-2.0）栅格化 + tesseract（Apache-2.0）OCR
• 可输出带文字层的可搜索 PDF，便于检索与复制
• txt 输出完成后页内直接预览识别文本（前 4000 字符），可先看后走再下载

常见问题

选「纯文本」还是「可搜索 PDF」？

要文字本身选纯文本（一个 .txt，方便检索、翻译或喂给其他工具）；要原图选可搜索 PDF——页面样子完全不变，但识别出来的文字以隐藏文字层叠在上面，任何 PDF 阅读器里都能搜索、选中、复制。同一次识别，两种导出。

「可搜索 PDF」是什么意思？和普通 PDF 有什么区别？

普通扫描 PDF 里是页面图片，里面没有文字，搜索什么都搜不到。OCR 把识别出的文字写进隐藏文字层，阅读器里就能查找、选中、复制，而页面看起来仍是原扫描件。

中文、日文、韩文的扫描件能识别吗？

能。已装 8 个语种：英语、简体中文、繁体中文、日语、韩语、德语、法语、西班牙语。每次选一种语言；中英混排建议按占主导的语言识别（或跑两次再合并）。

为什么需要登录？

OCR 很吃算力，跑在云端 tesseract 上而不是浏览器里，登录只是用来记云端额度；全程不用装任何软件，文件用完按保留策略自动删除。

识别准确度怎么样？

引擎是 tesseract：清晰、端正、200–300 DPI 的扫描件效果最好；手写、倾斜拍摄或低分辨率会明显变差。难识别的页面可调高 DPI（最高 600，更准但更慢），下载前先看页内文本预览确认质量。

隐私

上传文件仅用于本次识别，云端文件按保留策略自动清理。