OCR 识别
OCR 识别 PDF：让扫描件变成可搜索、可复制的文字
扫描件和截图生成的 PDF 本质上是一张图片。你可以看，但选不中、搜不到、复制不了——归档一百页之后想找一句话，只能一页页翻。
扫描件为什么搜不到
正常的 PDF 里，每个字符都带着文字层：它是什么字、在哪个坐标。搜索、选中、复制靠的都是这一层。
扫描仪和手机拍出来的 PDF 没有这一层。它是整页位图，阅读器看到的只是一张图，所以全文搜索无结果、鼠标拖选一片空白、复制出来是空的。这跟文件损坏无关，是文件本来就没有文字。
OCR 是怎么把图片变回文字的
OCR（光学字符识别）先看图里的像素形状，再判断它对应哪个字符。优页的做法分四步：
- 把每一页渲染成位图（按 2 倍分辨率，字形边缘更清楚，识别更准）
- 识别引擎逐页读出文字，并记录每个词所在的坐标
- 按识别结果生成不可见的文字层，位置和原字对齐
- 拼装成一个新的 PDF：看起来和原来一样，但文字可以选中、搜索、复制
三个设置
| 设置 | 说明 |
|---|---|
| 识别语言 | 英文 / 中文 / 中英混排。选错语言会明显拉低准确率，中英混排文档选「中英混排」最稳 |
| 页码范围 | 默认识别全部页；填 1-5 或 1,3,5 可以只处理需要的几页 |
| 进度条 | 逐页显示进度，页数多时可以随时看到进行到第几页 |
首次使用会先加载识别引擎
识别引擎和语言数据都在浏览器本地运行——文件不会上传，但第一次用需要把语言数据下载下来（英文包约 11 MB，中文包约 20 MB），所以首次点击导出后会有一段停在「正在加载 OCR 引擎」。下载完成后会留在浏览器缓存里，第二次开始就快得多。
如果这一步明显偏慢，可以先用页码范围只识别一两页，确认效果再处理整个文件。
识别结果的局限
- 不是 100% 准确：印刷清晰的正文通常效果不错，手写、荧光笔涂抹、强烈倾斜、复杂版式都容易出错。
- 字号小或对比度低的页面更容易漏字，导出后建议抽查几页的搜索结果。
- 文字层是后加的：它和图片对齐，但底层仍然是原图。如果原图本身很糊，识别出的字也会跟着糊。
OCR 与其他工具的顺序
顺序会影响结果，最常见的两处：
| 你想做什么 | 正确顺序 |
|---|---|
| 用「脱敏涂抹」的批量查找找身份证、手机号 | 先 OCR，后涂抹——扫描件没有文字层，不先识别就查不到 |
| 按文件内容批量重命名 | 先 OCR，后重命名——同样依赖文字层 |
| 既要识别又要压缩 | 先 OCR 生成文字层，最后再压缩 |
另外：识别后的文件可以搜索了，但如果要删掉某些信息，请用清理隐私信息，OCR 本身不删除任何内容。
文件会上传吗
不会。识别引擎、语言数据和整个处理流程都在浏览器本地完成，文件不会离开你的设备。