如何从扫描版 PDF 提取文字

人们口中的 PDF 其实有两种完全不同的东西。一种含有真正的文字：有字体、有坐标的字符，你可以用光标选中。另一种含有文字的照片：一片恰好看起来像字的像素。在你眼里两者一模一样，在软件眼里两者毫无共同之处。

所有普通的 PDF 转换器，包括我们的，读的都是第一种。它遍历文件里已经存在的文字对象，然后写出来。当你给它第二种时，没有任何文字对象可以遍历，所以提不出任何东西。工具没坏，你的文件也没损坏：你看到的那些字，从来就没有以文字的形式存过。

用任何阅读器打开 PDF，试着用鼠标选中一行字。如果出现正常的、贴合字形的选中高亮，那是文字版 PDF，转换器能用。如果什么都选不中，或者整页被一个半透明的框一次性盖住，那是扫描件。

第二个办法：按 Ctrl+F（Mac 上是 Cmd+F），搜一个屏幕上明明白白看得见的词。文字版能搜到；扫描件搜不到，因为里面没有可搜的文字。

OCR 是光学字符识别。它不读文件里已有的文字，而是看图像里的形状，猜那是哪个字。现代 OCR 在干净、端正、高分辨率的印刷体扫描上表现很好；遇到手写、异体字库、低分辨率、歪斜的页面、咖啡渍和密集表格时会明显变差。

这决定了你该有的预期：OCR 的结果永远需要校对。它是一份很好的初稿，不是忠实的副本。数字是最容易出问题的地方，因为认错一个数字看起来完全合理，拼写检查也抓不出来。

1. 1
   先试试你电脑上已经有的工具Windows 上 OneNote 可以对粘贴进来的图片做 OCR（右键图片，选「复制图片中的文本」）。macOS 上 Preview 甚至快速查看都能靠内置的实时文本直接选中图片上的字——先试着选一下，别急着装别的东西。iPhone 和 Android 上，自带的相机或相册通常也能直接选中照片里的文字。
2. 2
   用 Google Docs，它免费做 OCR把 PDF 上传到 Google Drive，右键选「打开方式 → Google 文档」。Drive 会在转换过程中跑 OCR，给你一份可编辑的文档。它能处理多页文件，且不要钱。但涉密材料不要用这个办法，因为文件要上传。
3. 3
   涉密文档在本地跑 TesseractTesseract 是历史悠久的开源 OCR 引擎，完全在你自己的机器上运行，什么都不上传。它是命令行工具，所以是这里最不友好的选项，但对敏感文件来说是正确答案：装好之后，图片用「tesseract input.png output」，多页文件配合一个 PDF 渲染工具即可。
4. 4
   问一下发件人有没有原始文件这一步所有人都会跳过，但它的结果远好于其他方案。扫描件通常是某个文件打印出来的纸质副本，而那个文件本来是 Word 文档、财务系统开出的发票，或者数据库导出。一句「能发我原文件吗」，就能完全省掉 OCR 的错误。

混合文件很常见：报告本身是文字生成的，但签字那页是拍照后附上去的。先跑我们的转换器，它会把所有真正的文字页全部提取出来，结果里的页数会告诉你有多少内容通过了。然后只对图片页做 OCR，再把两部分拼起来。这样你只需要校对那些真的靠猜的页面。

如果选中测试显示有真正的文字，那你属于简单情况，不用再想别的。我们的提取器在你的浏览器里运行，保留阅读顺序和段落分隔，并且不上传文件。