在线OCR文字识别

光学字符识别的历史比个人电脑还早：1976 年，库兹韦尔阅读机就能为盲人用户朗读印刷书籍。开源的 Tesseract 引擎诞生于 20 世纪 80 年代的惠普，2005 年开源，2018 年的 4.0 版本加入了神经网络（LSTM）识别器。现代引擎先找出文字区域，再找出文字行，并把每一行当作序列整体识别，而不是逐个字母识别，因此处理紧凑的字距和连字时比旧软件更出色。

识别的结果包括文字及其位置。想把文字粘贴到别处，选择纯文本 (.txt)；想在保留版式的前提下编辑，选择 Word (.docx)；扫描件必须保持原样时，选择可搜索 PDF；做笔记和写文档则选择 Markdown。学生用它处理历年试卷和印刷讲义，办公室用它处理发票和信函，开发者用它处理报错信息的截图。

OCR 识别的是字符，而不是含义。它无法确定某一行是标题还是图注，读不出被印章遮住的文字，也不知道识别错的数字是否合理。图表、示意图和照片不会被描述，只会读取其中印刷的文字。数学符号会变成普通字符，而不是公式。

它也不是翻译工具：结果的语言与原文一致。如果文档本身已有真实文字，OCR 就不合适，因为PDF 转文本读取现有文字更快，而且不会出错。需要保持 PDF 格式的扫描件，请使用 OCR PDF；想把图片转成 Word，请使用图片转 Word。