扫描版 PDF 如何提取文字？OCR 识别实用技巧
你有没有遇到过这种情况：收到一份 PDF 文件，想复制里面的文字，却发现根本选不中——因为它是一张"图片"。这种 PDF 叫做扫描版 PDF，是用扫描仪或手机拍照生成的，内容以图片形式存在，无法直接编辑。
要提取扫描版 PDF 里的文字，就需要用到 OCR（光学字符识别）技术。本文详细介绍 OCR 的原理和使用技巧。
什么是 OCR？
OCR（Optical Character Recognition）是一种将图片中的文字识别成可编辑文本的技术。它的原理是通过算法分析图片中文字的形状特征，与字符库进行匹配，从而"认出"图片里的文字。
常见的 OCR 引擎包括 Google 的 Tesseract、百度的 OCR API、腾讯云 OCR 等。其中 Tesseract 是开源的，可以本地运行，星球小捕手使用的就是 Tesseract.js。
文字版 vs 扫描版 PDF 的区别
| 特征 | 文字版 PDF | 扫描版 PDF |
|---|---|---|
| 能否选中文字 | 能 | 不能 |
| 文件来源 | Word/排版软件导出 | 扫描仪/手机拍照 |
| 转换方式 | 直接提取 | 需要 OCR 识别 |
| 准确率 | 100% | 90-98% |
如何判断 PDF 是文字版还是扫描版？
最简单的方法：用 PDF 阅读器打开文件，试试能不能选中文字。能选中复制的就是文字版，选不中的就是扫描版。
星球小捕手的"自动识别"模式会自动检测 PDF 类型，文字版走极速提取，扫描版自动启用 OCR。
提高 OCR 识别准确率的 5 个技巧
1. 确保扫描件清晰
OCR 的准确率高度依赖图片质量。清晰的扫描件识别率可达 95% 以上，模糊的则可能低于 70%。建议扫描分辨率不低于 200 DPI。
2. 纠正倾斜
如果扫描时纸张歪了，文字会倾斜，严重影响识别。使用扫描软件的"自动纠偏"功能，或用图片编辑工具旋转校正。
3. 选择正确的识别语言
OCR 引擎需要加载对应语言的模型。中文文档选"简体中文"，英文文档选"英文"，中英混排选"中英混合"。选错语言会导致识别率暴跌。
4. 提高渲染分辨率
星球小捕手在 OCR 时会以 2 倍分辨率渲染 PDF 页面，这能显著提升识别效果。如果你使用其他工具，也建议提高输入图片的分辨率。
5. 人工校对
无论 OCR 多准确，都建议转换后通读一遍，尤其是人名、数字、专业术语等容易出错的地方。
星球小捕手的 OCR 功能完全在浏览器本地运行，文件不上传服务器，隐私安全有保障。首次使用会下载语言包（约 10-30MB），之后可离线使用。