如何用浏览器 OCR 从扫描 PDF 中提取可编辑文本

它最先尝试的其实不是 OCR

很多看起来像扫描件的 PDF 其实并不是扫描件。从 Word 导出的文件，或者已经被其他软件处理过的扫描件，图片下面都藏着一层看不见的文字层。读取这层文字，得到的就是构成该文档的确切字符，完全没有识别错误，而且只需要大约一秒钟。

所以如果您交给它一份语言仍设为英语的 PDF，工具会先读取文字层。如果那里能找到足够多的文字，它会立刻返回结果，根本不会启动 OCR 引擎。您会看到它几乎瞬间完成，这就是判断依据。换成任何其他语言，它都会跳过这条捷径，直接进入识别流程，所以如果您手上是英文 PDF，不要改动语言设置，让它去尝试这条快速路径。

真正的扫描件是怎么被识别的

如果找不到文字，每一页都会以每英寸 144 像素的分辨率渲染成图片，交给在您浏览器中以 WebAssembly 运行的 Tesseract 处理。图片会先经过清理：工具会测量页面上最亮和最暗的像素，拉伸两者之间的对比度，并把每个像素强制变成黑色或白色，这正是识别引擎需要看到的效果。

如果第一遍几乎识别不出什么内容，系统会自动再运行两遍。第二遍会将图片反色，这能挽救深色背景上的白色文字，类似深色模式应用截图的效果。第三遍则直接使用未经处理的原始图片，依据是清理步骤本身才是问题所在。哪一遍识别出的文字最多，就采用哪一遍的结果。这些您都无法选择，这也是为什么有些看起来毫无希望的页面，有时在第三次尝试后反而能读出来。

您能得到什么

结果会显示在页面上的一个文本框里，每页之间有一条标记线，方便您分辨每页在哪里结束。您可以在那里复制文字，或者将其下载为 .txt 文件。输出内容仅此而已。这个工具不会给您一份在原扫描件上叠加了隐藏文字层的可搜索 PDF，也不会生成 Word 文件，所以如果您需要的是一份可以搜索的 PDF，这个工具能给您文字，但给不了那种格式。

版式同样保不住。文字会以一行行的形式出现。双栏页面往往会出现两栏内容交错混在一起的情况，表格则会失去单元格，变成一串数字。凡是原本结构比较复杂的内容，都要预留时间重新整理结构。

哪些因素会影响识别准确度

识别质量几乎完全取决于您提供的图片：

• 分辨率过低的原始扫描件。以 150 DPI 扫描的页面，笔画会又细又断，再怎么处理也无法把缺失的像素重新造出来。
• 光照不均。对比度拉伸是把整页作为一个整体来测量，而不是逐个区域测量，所以如果照片一侧有阴影，那一侧可能会完全变成一片纯黑。
• 倾斜。哪怕只是手机拿斜了造成的几度旋转，也会影响准确度，而这里没有任何功能会替您把页面摆正。开始之前，请先把它转正。
• 字号过小、行距过紧，以及装饰性或手写体字体。脚注和密密麻麻的法律小字，向来是任何页面里最糟糕的部分。
• 手写字迹。Tesseract 是基于印刷体字符训练的，遇到连笔字迹时会一本正经地输出一堆没有意义的内容。

如果扫描件是您自己制作的，最有用的做法就是拍得平整、端正、尺寸更大。这样后面的每一步都会更轻松。

唯一会离开您设备的那个按钮

识别过程在本地完成。您的 PDF 在标签页中读取，引擎及其语言数据会在首次使用时从公共 CDN 下载，文档的任何一页都不会被发送到任何地方。这个页面有一个例外，值得明确说出来：结果旁边的翻译按钮，会把提取出的文字通过互联网发送给一个外部翻译服务。文件本身绝不会发送，但识别出的文字会。如果文档是保密的，请不要使用这个按钮。

什么时候桌面工具是更好的选择

像 OCRmyPDF 这样的工具，会把识别出的文字作为一层隐藏图层写回原始 PDF，这样文件看起来还是原来的扫描件，却已经可以搜索了，这通常正是归档真正需要的效果。桌面软件还会在识别前先校正倾斜、去除噪点，重建表格，并且可以无需人工看管地处理一整个包含数百个文件的文件夹。在内容密集、质量差和多语言的页面上，商业引擎仍然领先。当您只是想立刻拿到一份扫描件里的文字，又不想为了知道内容而把它上传出去时，就用浏览器里的这个工具。