PDF OCR 与识别

什么是 OCR？

扫描 PDF 本质上是一页的照片：对计算机来说它只是一个像素网格，没有一个是文字。OCR（光学字符识别）就是看着这些像素、推断它们描绘的是哪些字符的技术。结果可以是复制出来的纯文本（OCR 文本模式），或覆盖在页面图像上的不可见文字层（扫描→可搜索和图片→PDF 模式）——后者正是让扫描文档在任何 PDF 阅读器中可搜索的原因。

OCR 流水线

每个 OCR 引擎都遵循大致相同的阶段。首先页面被渲染成图像（对 PDF，每页栅格化）。接着是二值化：像素被分为墨与纸，引擎只处理黑白形状。形状再被切分为行、词和单个字符。最后每个候选被分类——现代引擎使用训练过的神经网络看整行文本而非单字母，这是它们处理模糊或轻微倾斜输入远胜老式单字符匹配器的原因。语言也重要：引擎使用语言专属词典和字符集，这就是在上面选择器里选对语言能提高准确率的原因。

不可见文字层

"可搜索 PDF" 是叠在一起的两样东西：你看到的原始页面图像，加上定位在其后的不可见文字层。你在阅读器里选择文字实际选中的是那个隐藏层。可见扫描不会被改变——图像原封不动，质量和外观永远不变。代价是复制/粘贴和搜索结果的准确性完全取决于底下的 OCR。如果一个词被识别错，搜索正确拼法就找不到它，因为隐藏层里存的是错误。

为什么 DPI 决定一切

识别准确率取决于每个字符分到多少像素。PDF 页面以磅为单位排版（每英寸 72 磅），低分辨率下 10 磅字符塌缩成寥寥几个像素——150 DPI 下 10 磅字符只有约 21 像素高，300 DPI 下约 42 像素。低于约 20 像素，衬线闭合、字母粘连，准确率急剧下降。这就是OCR 用 300 DPI这一长期扫描准则的由来：它给每个小字符足够的像素细节又不浪费文件体积。再高很少有帮助——主要是让扫描更大、OCR 更慢。

OCR 不擅长什么

手写、艺术字体和复杂背景上的文字仍是弱点。表格是特例：OCR 看到字符和位置，但不真正理解行与列——表格提取模式从对齐推断结构，所以复杂表格只能近似。而如果 PDF 已含真实文本（从 Word 导出而非扫描），你根本不需要 OCR：文字可以用PDF 导出工具直接、更准确地提取。

常见误区

• "可搜索 PDF 和 Word 导出的 PDF 一样。"不对——文字层是纯识别文本。复制段落可能丢失排版，任何识别错误都烙进隐藏层。
• "OCR 恢复原文。"它重建的是最佳猜测。99% 准确的页面每 100 字符仍有约 1 个错——搜索够用，法律或数值内容有风险。
• "DPI 越高越好。"超过约 400–600 DPI 后准确率收益微乎其微，而文件体积和处理时间持续攀升。300 DPI 是常规文档的最佳点。
• "手机照片和扫描一样好。"倾斜、光照不均和手抖都会削减准确率。把页面拍平、正对、光线充足——重要文档请用真正的扫描仪。

相关工具：PDF 导出（原生文本提取——数字 PDF 无需 OCR）、PDF 结构详解（文字层如何附着于页面）、PDF 编辑与整理、转换为 PDF。