识别 PDF 文字

如何让扫描 PDF 可以搜索文字

扫描资料里的文字无法选中时，可以用 OCR 识别页面图片，加入可搜索文字层；也可以把识别文字下载为 TXT 文件。

示例：在扫描笔记中查找一句话

先挑一张有代表性的页面，不必第一次就识别整份扫描件。选择原稿的文字语言，识别后对照图片核对姓名、数字和标点。确认效果可用，再分批处理剩余页码。

先试一页，再核对识别文字

1. 选择扫描件和页码

   打开 PDF，输入例如 1-3, 5 的页码范围。OCR 初始只选择第 1 页，每次最多 20 页，同时受像素与输出大小限制。

2. 匹配识别设置

   选择英语、简体中文或繁体中文。根据原稿选择自动排版、单段文字或单行文字。中文默认使用 300 DPI；较高分辨率需要更多内存和时间。

3. 核对并导出

   先对照扫描件核对文字，再下载可搜索 PDF。可以修改文字框并下载 TXT，但这些修改不会更新 PDF 文字层；需要重新生成文字层时，请调整设置后再次识别。

OCR 的能力与限制

• 原稿仍以页面图片保留。OCR 增加文字层，不会还原成排版完全可编辑的原始文档。
• 识别可能漏字或错字，包括中文。手写、表格、旋转或模糊的扫描件尤其需要核对；引擎置信度不是准确率保证。
• 每页渲染上限为 1,200 万像素，单批合计 1.2 亿像素；触发设备保护上限时，请降低 DPI 或减少页数。输出文件上限为 32 MB。
• 识别在当前设备上运行，语言模型首次使用时下载。大型扫描件可能需要较长时间，可以取消处理。

继续完成相关任务

• 将有文字层的 PDF 提取为可编辑 Word 文字
• 把大型扫描件拆成较小文件