PDF OCR 文字识别
我要提建议扫描件 / 图片型 PDF 识别成可编辑文字：PP-OCRv4（中文更准）与 Tesseract（英文更快）双引擎，可导出 Word / Markdown / 纯文本。
相关工具
这个工具是做什么的
扫描件里的文字是图片，直接读是读不出来的，必须走 OCR（看图认字）。这个工具给了两个引擎，按语言选最快的那个：PP-OCRv4（PaddleOCR 的检测 + 识别模型，中英文通用，中文、密集文本明显更准 —— 它就是本站车牌识别在用的那两个模型，已随仓库提交，不额外下载）与 Tesseract（老牌引擎，英文与规整印刷体更快，中文精度一般，引擎与中英文语言包 6.3MB 也随仓库提交）。流程是：把每一页按你选的清晰度（150/200/300 DPI，越高越慢）渲染成位图 → 交给引擎逐行识别 → 再按行距、缩进、字号、标点把行合并成段落（与「PDF 转 Word」共用同一套段落复原规则）→ 导出 Word / Markdown / 纯文本。界面上会给出每页的识别行数、字数与平均置信度，段落也能先预览再导出。必须说清的限制：OCR 一定会有错字（数字、标点、生僻字最容易错），别把结果直接当法律文书用；它也不理解表格与分栏，会把文字按阅读顺序平铺出来。全程在本机用本地模型推理，数据不出设备；语言包首次会缓存到本地（IndexedDB），第二次更快。
使用方法
- 选择扫描件 PDF；工具会读出页数，并在模型不到位时自动切到可用的引擎。
- 选引擎（中文为主选 PP-OCRv4，纯英文选 Tesseract）、清晰度与页码范围。
- 点「开始识别」，进度里会显示当前页、识别到第几行以及预计剩余时间。
- 看右侧的每页置信度与段落预览，确认没问题后选输出格式并导出。
常见问题
- 为什么识别结果总有错字？
- OCR 本质是「看图认字」，不是读取文字，所以不存在 100% 准确。经验上：清晰的印刷体错误率最低；数字（0/O、1/l、5/S、8/B）、标点、生僻字最容易错；倾斜、褶皱、印章覆盖、低分辨率会明显变差。界面上给了每页平均置信度，低于 85% 建议人工通读一遍。
- 两个引擎怎么选？
- 中文（尤其密集正文、表格里的字）优先 PP-OCRv4：它是为中文训练的检测 + 识别模型，本站车牌识别用的就是它；纯英文或中英混排但以英文为主，可用 Tesseract 的 eng（更快）。也可以先只跑第 1 页，把两个引擎的结果对比一下再决定跑整本。
- 清晰度（DPI）选多少？
- 200 是多数扫描件的甜点；字特别小（报纸、合同小字）用 300；字很大、只求快用 150。注意 DPI 只影响渲染分辨率 —— 原扫描图本身分辨率低的话，调高 DPI 不会凭空多出细节。
- 会识别表格结构吗？
- 不会。表格里的文字会被逐行识别出来，但单元格的对应关系不保留（可能变成一列列的文字）。表格还原属于版面分析，是另一个量级的工程。
- 文件会上传吗？识别模型从哪来？
- 数据不出设备。PP-OCRv4 的两个 ONNX 模型（约 15.6MB）随仓库提交，Tesseract 的引擎与中英文语言包（6.3MB）也已随仓库提交，运行时全部从本站静态资源加载，不依赖任何 CDN。