PDF OCR 文字识别：把扫描件变成可搜索的文档

很多 PDF 其实是「图片型」的——由扫描仪、手机拍照或印刷件转来，肉眼能读，但里面的文字只是像素， 无法选中、复制或搜索。PDF OCR 文字识别工具基于浏览器内的 Tesseract.js 引擎，逐页把页面渲染成图片、 识别其中的文字，再为你生成一份可选中、可搜索的 PDF，同时提供纯文本导出。整个过程在你的浏览器本地完成，文件不会上传到任何服务器。

它能做什么

• 识别扫描件 / 图片型 PDF 中的文字，支持中文、英文、日文、韩文等多语言。
• 输出可选中 PDF：在原始页面图像之上叠加一层透明的文字，既保留原版面，又能选中、复制、Ctrl+F 搜索。
• 同时提供纯文本导出（.txt），方便二次编辑或入库。
• 对本身就是文本型的 PDF 同样有效（可重新抽取一遍文字）。

技术原理

工具在浏览器内完成三步处理，不依赖后端接口：

1. 渲染：用 pdf.js 把每一页栅格化成高分辨率画布（默认 2.5 倍缩放，提升识别率）。
2. 识别：把画布交给 Tesseract.js（WASM 版 OCR 引擎）做文字检测与识别，拿到每个词的内容与坐标框。
3. 合成：用 pdf-lib 新建 PDF，先铺回原页面图像，再按识别坐标在对应位置叠加文字层，得到可选中的结果。

首次识别某种语言时，浏览器会从公共 CDN 拉取对应的训练数据（traineddata，约数 MB），属模型数据而非你的文件； 之后会缓存，重复识别更快。

使用建议

• 扫描件尽量端正、对比清晰，识别率更高。
• 中文文档建议选择「仅中文」或「中英文」语言项。
• 页数很多时识别需要一些时间，请耐心等待进度提示。