PDF OCR 可搜索化

扫描PDF本质上是一叠图片：你能看到文字，却无法选取、搜索或复制。OCR（光学字符识别）从图片中读取文字，并将其精确地以不可见文字层覆盖在每一页上。外观完全不变，但PDF变得可以搜索，文字可以选取。这正是政府机构、档案馆和全文搜索系统所期望的格式。

输出格式可选：可搜索PDF（原始页面加文字层）或TXT纯文本。从列表中设置文档语言，支持113种语言，从德语、英语、俄语、阿拉伯语、印地语到日语、韩语和中文，每种语言均以自身名称显示，确保字符正确识别。所有处理均通过WebAssembly在浏览器中运行：与「图片转文字」工具相同的开源Tesseract引擎，逐页应用于整个PDF。首次使用时浏览器一次性下载引擎和所选语言模型（几MB，同源）；此后离线可用。

本工具适用于扫描件或图片型PDF。识别质量高度依赖扫描质量：清晰、端正、高对比度的印刷页面识别效果极佳，倾斜或模糊的页面效果较差；手写文字无法可靠识别。在可搜索PDF中，每页会以图片形式重新嵌入，因此已含真实文字的PDF无需OCR处理。请核查数字和专有名词的识别结果。

文字识别通常是云端的领地：知名OCR服务会把每份扫描件上传到自己的服务器处理 - 偏偏是合同、医疗报告或证件这类文件。在这里，整个识别过程由编译成WebAssembly的Tesseract在你的浏览器里完成，全部113个语言包都托管在gottrix自己的服务器上 - 识别过程中不会从第三方加载任何内容。语言列表还会根据你的界面语言预先选好。免费、无需账户、页数不限。

技术规格

三步完成

1. 拖入扫描PDF。
2. 选择输出格式（可搜索PDF或文本）及文档语言。
3. 下载可搜索PDF或TXT。

限制: 适用于扫描/图片型PDF：通过OCR使其可搜索（不可见文字层）或输出纯文本。可识别113种语言及多种文字体系的印刷文字；手写文字无法可靠识别。注意：可搜索PDF中的不可见文字层支持带全部变音符号的拉丁字母（113种语言中的23种，如波兰文、捷克文、越南文、土耳其文）、希腊文和西里尔文。其他文字体系的字符（如CJK、阿拉伯文、希伯来文、天城文、泰文）会被有意略去，而不是以乱码形式嵌入；对于这些文字体系，请使用「仅文本（TXT）」输出。可搜索PDF中每页以图片形式重新嵌入，布局保留但文件可能变大；已含真实文字的PDF无需OCR。识别并非完全准确，请特别核查数字和专有名词。引擎和语言模型一次性下载（几MB，同源），之后离线可用。大型PDF因页数和设备不同，处理时间和内存占用会有所不同。

常见问题

相关工具

图片转文字 (OCR) · PDF转Word · 压缩 PDF · PDF 转 Markdown · PDF 转文本 · PDF转EPUB