OCR 详解：一份扫描的 PDF 如何变成可搜索的文字

一份扫描的文档——不管来自一台真正的扫描仪还是仅仅一部手机相机——在计算机看来就是一张照片。Ctrl+F 什么也找不到，因为那里没有文字可找，只有一些在读它的人看来碰巧像字母的像素。

OCR 实际在做什么

光学字符识别分析页面上的形状，预测它们代表哪些字符，然后把那段预测出的文字作为一个不可见、可选中的图层，正好叠在原图上方。视觉上什么都没变——你看到的还是同一张扫描件。功能上，页面现在背后有了真正的文字，浏览器或 PDF 阅读器可以搜索、选中和复制。

为什么这里的 OCR 完全在你的浏览器中运行

OCR PDF 使用 Tesseract.js，这是开源 OCR 引擎 Tesseract 的 WebAssembly 构建，作为 Web Worker 运行，以免在工作时冻结页面。识别本身在你的设备上进行——扫描件不会被送到任何地方去读取。

什么会影响准确率

• 扫描质量——一张清晰、光线好、端正的扫描件，识别得远比一张模糊或严重倾斜的手机照片准确。
• 手写——Tesseract 和大多数 OCR 引擎一样，是为印刷文字打造的；手写识别是另一个、可靠性差得多的问题。
• 不寻常的字体或强烈的风格化——装饰性字型或低对比度文字会降低准确率，就像它们会让一个快速浏览的人为难一样。