PDF 文字识别用于处理「打开后文字选不中」的扫描件或图片型 PDF：每页先渲染成 300 dpi 图像，交给浏览器内的 tesseract 引擎识别，然后导出三种结果——保留原页面画面、叠加不可见文字层的「可搜索 PDF」，按「—— 第 n 页 ——」分隔的 TXT，或每页一组段落、页间带分页符的 DOCX。

PDF 本身有文字层（能选中、能 Ctrl+F）就不需要 OCR：「PDF 转 Word」或「PDF 提取文本」直接读取文字层，更快也更准。只有一张张图片时，请用「图片文字识别」。

1. 01选择识别语言并上传默认「简体中文 + 英文（推荐）」；拖入一个 PDF，显示页数，超过 20 页会提醒「逐页识别耗时较长」。
2. 02开始识别进度条按「第 x/n 页 · 识别文字」推进，识别文本区实时追加每页结果；「取消识别」会保留已识别页面。
3. 03校对文本「识别文本」按页分隔显示，可直接编辑——编辑只影响 TXT 下载，不影响可搜索 PDF 与 DOCX。
4. 04导出「下载可搜索 PDF」「下载 TXT」「下载 DOCX」，分别得到「原名_可搜索.pdf」「原名_OCR.txt」「原名_OCR.docx」。首次生成可搜索 PDF 需加载内置中文字体 Noto Sans SC（约 10 MB，仅首次，之后缓存）。

输入

单个 PDF；加密文件会提示「PDF 打开失败，文件可能已损坏或已加密」，先用「PDF 解锁」去掉密码

耗时

每页渲染到 300 dpi（最长边不超过 4 500 像素）再识别，几十页可能需要数分钟，建议单次不超过 50 页，页数多可先「PDF 拆分」

文字层

只嵌入置信度 20% 以上的词，太小或判为噪点的词跳过；生僻符号无法编码时计为「被跳过」并在完成提示中显示；选中区域大致贴合原文，不会像素级精确

保真度

DOCX 只含识别出的自然段（统一字号，页间分页符），不还原图片、表格与版式；可搜索 PDF 的页面画面是 JPEG 重新渲染的

不做什么

不纠正倾斜与阴影（拍照件先用「扫描件增强」）、不翻译、不做表格结构化；有文字层的 PDF 请用「PDF 转 Word」或「PDF 提取文本」

PDF 的渲染与文字识别全部在浏览器本地进行，页面内容不会上传。识别引擎与简中/英文语言包由本站自托管，首次使用需下载；繁体中文、日文语言包来自 tesseract.js 默认公共 CDN；生成可搜索 PDF 首次需从本站下载 Noto Sans SC 字体（约 10 MB）并缓存。以上请求只获取引擎、语言包和字体文件，不包含你的文档。