PDF 文字识别 v1.0

OCR PDF 是把扫描件里的文字识别出来、再以一层看不见的文字盖回原页面的在线工具，处理完的文件外观和原件一模一样，但可以用 Ctrl+F 检索、可以选中复制。这正是国内档案、招投标、财务岗位天天说的“双层 PDF”。大多数扫描 PDF 只有图像层，合同编号、发票代码、文号一个都搜不到，只能一页页翻。DocPivot 的 OCR PDF 支持 123 种语言，识别前会自己判断文稿用的是哪种文字，识别完还会告诉你认出了多少字、平均置信度多少，不用把文本粘进 Word 里逐段核对。免费，不限次数，不用注册。

DocPivot OCR PDF 工具概述

核心功能

这个工具给原页面加一层透明文字，而不是重做一份 PDF。每一页先由 libvips 渲染成图，交给 Tesseract 5 识别，再由 qpdf 把生成的纯文字层叠回原页面——这层文字每页大约 4KB，不含任何图像数据，原页面的字节被原样复制过去。输出文件因此既能检索、能复制、能被屏幕阅读器读出来，外观又和上传前分毫不差。档案行业习惯同时留一份纯文本稿，识别之后用 PDF 转文本工具另存 txt 就行。

目标用户与使用场景

用得最多的是三类人：做档案数字化和文件扫描外包的项目组、要交双层 PDF 投标文件的商务岗、每天翻合同和票据的财务与法务。还有一类是把纸质笔记、旧教材、期刊拍成 PDF 的学生和研究者，他们要的是能全文搜索，而不是重新排版。如果识别之后还要把内容搬进 Word 改写，接着用 PDF 转 Word 工具处理即可。

问题与解决方案

扫描件最大的麻烦是内容全埋在图像里，既搜不到也复制不了。一份 300 页的项目档案要找某个文号，只能靠人眼翻；电子招投标平台碰上只有图像层的 PDF，会直接判定为无法检索。加上文字层以后，Ctrl+F 几秒钟就能定位，页面外观、盖章位置一点没动，文件只大了几百 KB。顺序上建议先识别再用 PDF 压缩工具减小体积，反过来做会因为清晰度下降拖累识别率。

OCR PDF 的主要优势

• 原页面零改动：把源文件和输出都按 150dpi 渲染逐字节比对，6,312,900 个字节里 0 个不同。红头、公章、手写签批、版式全部保持原样，这对要求保留原件效力的投标文件和档案扫描件是硬指标。
• 不用自己选语言：识别开始前先看第一页用的是什么文字，再决定按哪种语言读，结果里会写明检测到了什么。同类在线工具大多要你从几十项的下拉列表里自己挑，挑错了也没人提醒。
• 会告诉你识别得怎么样：处理完给出识别字数、平均置信度和可疑词数量。语言选错会直接反映在数字上——同一份德文扫描件按德语识别是 96%，按英语识别掉到 87%。
• 深色底也读得出来：逐块自适应阈值，不是整页用同一个阈值。一页带深色横幅的文档换成自适应之后，认出的文字量翻了一倍，浅色文字压在色块上不再整段丢失。
• 免费且不限次数：不注册、没有每日额度。iLovePDF 免费版不提供 OCR，Smallpdf 把 OCR 放在付费档，轻闪 PDF 免费用户只有三次机会。
• 两档精度对应国标：标准档按 200dpi 渲染，高精度档 300dpi，正好对上 DA/T 31—2017 里“扫描分辨率不小于 200dpi，文字偏小、密集或清晰度较差时不小于 300dpi”的要求。
• 为后面的处理打底：页面有了文字层，PDF 涂黑工具才能按词查找并真正删掉内容，而不是只盖一个黑块；PDF 文字编辑工具也才能改动扫描件里的字。

OCR PDF 的核心功能

• 双层 PDF 输出：底层是原始图像，上层是位置一一对应的透明文字，符合国内档案和招投标场景对可检索版式文件的通行做法。
• 123 种语言：覆盖简体中文、繁体中文、英语、日语、韩语、俄语、阿拉伯语等常见语种，混排文档也能处理。
• 可搜索的语言选择器：123 种语言可以直接打字筛选，不必在长列表里滚动查找。自动检测结果不合适时，手动改选只要两秒。
• 文字系统自动识别：处理前先分析首页的文字形态，判断属于哪套书写系统，再据此定语言。
• 两档扫描精度：标准档适合正常清晰度的扫描件，高精度档给小字、褪色件、盖章和签名多的页面用。
• 自适应二值化：按区域决定黑白分界，处理明暗不均的页面比全局阈值稳得多。
• 已有文字层自动跳过：本来就带文字的页面不会被重复加层，避免同一句话在检索时被匹配两次。
• 识别质量报告：字数、平均置信度、可疑词数三个数字，省掉把文本导出再人工核对的环节。
• 加密文件明确拒绝：带打开密码的 PDF 会返回说明，而不是处理到一半失败。
• 批量前的整理：单次最多 200 页、每页约 3 到 6 秒，多份扫描件可以先用 PDF 合并工具并成一份，中间夹的空白页用空白页删除工具清掉，省下来的页数能多放几卷。
• 表格能接着用：扫描件识别出文字层之后，PDF 转 Excel 工具才有内容可抓，否则导出的只是一张图。
• 自建服务器处理：识别在我们自己的服务器上完成，不经第三方 OCR 接口，也没有 API key 转手，上传的文件 30 分钟内删除。

DocPivot OCR PDF 的使用方法

1. 上传扫描件。直接拖入 PDF 即可。手机拍的照片或图片先用 图片转 PDF 工具合成一份再上传。
2. 检查页面方向。躺倒或倒置的页面识别率会明显下降，先用 PDF 旋转工具摆正再识别。
3. 选扫描精度，或者不选。默认是标准档，小字、褪色、盖章密集的件改成高精度档。
4. 开始识别。语言由工具自动判断，结果页会写明它检测到的是什么，不对就手动改。
5. 看报告再下载。确认字数和置信度正常，下载双层 PDF；置信度偏低就换个语言或换高精度档再跑一次。

何时使用 OCR PDF

只要一份 PDF 打开后选不中文字，就该走一遍 OCR。判断方法很简单：用 Ctrl+F 搜一个页面上肉眼可见的词，搜不到就说明这份文件只有图像层。以下几种情况尤其值得先识别再存档。

• 档案数字化验收：纸质档案扫描后要形成可全文检索的成果，这是验收环节的常规要求。
• 电子招投标：投标文件被平台判为不可检索，后果不是提醒而是废标。
• 合同票据检索：按合同号、发票代码、金额直接定位，不用记文件名。
• 长期归档：归档前把识别好的文件转成 PDF/A 格式，文字层会一并保留下来。
• 无障碍阅读：屏幕阅读器只能读文字层，纯图像页面对视障读者等于空白。
• 教材与论文：几百页的扫描教材可以先用 PDF 拆分工具切成章节，再分批识别。
• 旧资料重新利用：十几年前的扫描件加上文字层，就能并入现在的检索系统。

也有不必动手的情况：本来就是 Word 或排版软件导出的 PDF 已经带文字层，再识别一遍没有意义。手写体、艺术字、竖排古籍的识别效果有限，这类文件建议先小范围试一页再决定要不要整本处理。

实际应用案例

档案数字化外包

背景：某单位把上世纪八十年代以来的文书档案交给外包团队数字化，验收要求 OCR 成果同时提供纯文本和双层 PDF。

操作流程：

• 扫描按 300dpi 出图，识别时选高精度档
• 照质量报告挑出平均置信度明显偏低的卷宗，退回重扫
• 页序错乱的卷用 PDF 页面整理工具调整后再归档

效果：抽检环节从逐页核对改成按置信度排序抽查，人工复核量集中在真正有问题的那几卷上。

电子招投标文件

背景：国内多个电子招投标平台要求投标文件为可检索的双层 PDF，只有图像层的扫描件会被系统判定为无法检索。

操作流程：

• 盖章页扫描后识别，比对输出与原件确认章面位置未变
• 用 Ctrl+F 抽查公司名称、关键条款、报价数字能否搜到
• 需要补签的附件用 PDF 签名工具处理

效果：提交前十分钟就能自查一遍检索状态，不用等平台报错才发现问题。

财务票据归档

背景：一家电商店铺每月有几百张纸质签收单和发票扫描件，对账时找一张要翻很久。

操作流程：

• 按月合并后一次识别，控制在 200 页以内
• 用发票代码、订单号、金额直接检索
• 要外发给对方的版本用 PDF 水印工具加上“仅供对账”字样

效果：对账时按关键词定位，原始凭证的影像效力不受影响。

学术资料整理

背景：研究生把图书馆复印的几十份期刊论文扫成 PDF，写综述时想引用却找不到出处。

操作流程：

• 每份单独识别，标准档即可
• 导入文献管理软件，靠文字层建立全文索引
• 需要摘录的段落直接复制，不再手打

效果：几十份扫描件变成可检索的资料库，页面上的图表和公式排版原样保留。

语言检测能判断什么、不能判断什么

自动检测判断的是文字系统，不是语言本身，这两件事在多数情况下不等价。工具据此分三种处理方式，并把结论写进结果里，免得你以为它替你做了主。

拉丁字母被刻意排除在映射之外：从拉丁字母猜“英语”，和根本没检测出来其实没有区别，却听起来像是做了判断。中文用户要留意汉字那一行——简体和繁体共用一套文字系统，检测只能给到“汉字”这一层，结果里写明的语言如果和手上的文档对不上，在语言选择器里改一下再跑即可。

双层 PDF 在国内的合规位置

双层 PDF 不只是方便，在档案和招投标领域它是被写进规范的交付形态。DA/T 77—2019《纸质档案数字复制件光学字符识别（OCR）工作规范》要求档案 OCR 成果同时保存为纯文本和双层 PDF 或 OFD 文件；DA/T 31—2017 则给了扫描分辨率的下限，不小于 200dpi，文字偏小、密集或清晰度较差时建议不小于 300dpi。本工具的标准档与高精度档正对应这两个数值。

有两点要说在前面。一是输出格式只有 PDF，不生成 OFD，需要 OFD 的场合得另行转换。二是文件要上传到服务器才能处理，涉密档案或有明确保密要求的材料，应当按本单位规定使用内网工具，这一点比任何功能都优先。另外扫描时留下的黑边和裁切余量会干扰识别，先用 PDF 裁剪工具裁掉再识别，置信度通常会好看一些。

识别质量报告怎么读

报告里的三个数字要横向比，不要盯着绝对值。同一份文件换个语言跑两次、重扫前后各跑一次，置信度的升降比单次数值更能说明问题——德文那个例子里 96% 和 87% 的差距，就是语言选错的典型表现。可疑词数量突然变多，通常意味着这几页该换高精度档。

精度的影响有实测参照：一份 288dpi 的劣质扫描件，正文是 8 号小字，标准档认出 57 个词中的 56 个、另外凭空多出 2 个不存在的词；高精度档 57 个全中、一个误识也没有。换成清晰的扫描件，两档都是满分，这也是默认给标准档的原因。如果连续几页字数都接近零，问题多半不在识别而在文件本身，用 PDF 修复工具检查一下结构是否损坏。

常见问题