跳到主要内容
Convertube

PDF OCR 文字识别

识别扫描版 PDF 上的文字并写入一层隐形文本,让文件变得可以搜索。识别在你自己的设备上完成,扫描件不上传。

在你的设备上运行免费,不限次数AI 文字识别 · 本机运行

把文件拖到这里

或者

支持 .pdf · 一次一个文件 · 单个最大 150 MB 这里的「上传」「下载」指的是浏览器从本机读一个文件、再写一个回去。你的文件不会发往任何服务器 —— 打开浏览器的网络面板看:没有任何一个请求带着你的文件。

PDF OCR 文字识别常见问题

这和别家的 OCR 有什么不一样?

区别在于工作发生在哪里。文字识别是整个行业都放在自己服务器上跑的功能,所以「让扫描件可搜索」通常意味着把文件发出去——而人们需要这个功能的扫描件,恰恰是合同、发票、病历和证件。这里模型跑在你的浏览器里:只下载一次、约 21 MB,之后文件再也不会离开这台机器。你可以一边处理一边看网络面板,没有任何请求带着你的文件。

准确率到底怎么样?

不错,但不做保证。在一套 16 页、渲染时额外加了 0.3 度倾斜的测试集上(因为真实扫描件总会有一点倾斜),字符召回实测 95.2%。干净、端正的页面会更高;印章、手写、发虚的复印件、以及斜着拍的照片会更低,有时低得多。请把它当作「让文档可被找到」而不是当作转录稿:你要搜的词通常在里面,但这不是可用于法律用途的逐字转录。

扫描件本身会变吗?

不会,而且这一条是实测而非声明:跑完之后,输出里每一条图像流的 SHA-256 和输入完全一致。页面不会被解码、重新编码或缩放——只增加了一层文本和一份字体描述,一份两页的扫描件实测为 5.1 KB。如果你还想让文件变小,请在这一步之后再压缩,而不是反过来:压缩会重新编码图片,先压会让识别模型能读到的信息变少。

加进去的文字能看见吗?能选中吗?

看不见,但能选中。文字用的是「不绘制任何东西」的渲染模式,位置压在它来源的那些字上,所以页面看起来毫无变化,而搜索、复制和读屏软件都能找到这些词。这也意味着不需要嵌入任何字体——字形从不被绘制,所以只需要字符映射表,字体开销为零字节。产出的文件用两个互相独立的 PDF 引擎分别读过,而不只用我们自己用的那一个,两边返回的中文一致。

如果这个 PDF 本来就有文字呢?

会原样退回,并明确告诉你。从 Word 导出的 PDF 本来就能搜索,再盖一层识别结果会让每次搜索都命中两次、每次复制都出来两份。工具检查的是页面上到底有没有文字(在文档中抽样),如果有,这里就没有可加的东西。

要多久?

普通的中文或英文页面每页几秒——在带硬件加速的台式机上实测 2.4 到 4.0 秒——再加上一次性的模型下载。一页排得很密的双栏学术论文(四千多字)约 14 秒。耗时跟着页面上的文字量走,而不是跟着页面尺寸走;手机会慢好几倍。

PDF 转换

PDF 工具

PDF 转换关于 PDF