扫描版PDF转文字

Q: 打字机文稿或旧书扫描的PDF能转文字吗？

通常可以。打字机和书籍的字体都是规整的印刷字母，**校正页面倾斜**可以纠正扫描装订书籍时常见的倾斜。字迹很淡的页面开启**增强对比度**后识别效果更好。

Q: 为什么双栏页面识别出的文字顺序是乱的？

当**文字版式**设为保留版式（此处的默认值）时，各栏会分开处理。如果两栏的行仍然交错，说明扫描件中两栏之间的间距很窄；用页面端正、更清晰的扫描件通常能解决。

如果PDF里一个字都选不中，它就是扫描件：一叠页面照片，里面没有文字。上传到这里，OCR会把每一页识别成纯文本，方便复制、搜索和编辑。

或将PDF, JPG, JPEG … 文件拖放到此处 ·

单个文件最大 95 MB· 最多 20 个文件· 30 分钟后删除

输出

文档语言

输出

文字类型

文件在我们的服务器上处理，并在 30 分钟后删除。

使用方法

1
上传扫描版PDF
添加 PDF 文件，一次最多 20 个，每个不超过 95 MB。多页 TIFF 扫描件和单页图片同样支持。
2
设置语言和页码
文档语言选择“English”，输出选择纯文本 (.txt)。处理其他语言的文档时请更改语言；在高级设置中，可用页面只识别长文件中的某一范围。
3
识别文字
点击识别文字。系统会先校正页面倾斜并转正方向，再按顺序逐页识别，合并为一个文本文件。

扫描版PDF与可搜索PDF：为什么没有文字

纯图片 PDF扫描版 PDF · 不可搜索的 PDF · 平面 PDF: 页面以图片形式存储的 PDF，通常由扫描仪、复印机的扫描发邮件功能或手机扫描应用生成。它看起来像文档，但内部没有字符编码，因此无法选择、搜索或朗读。

从 Word 或浏览器导出的普通 PDF 含有文本对象：每个字都以字符形式存储，带有字体和位置，所以搜索和复制都可用。扫描仪则跳过这些，每页只保存一张图片。对电脑来说，印着你合同的那一页和一张猫的照片没有区别。

OCR 会重建缺失的文字层。先清理页面图像，找出行和字，再把每个字形与所选文档语言的字母表进行匹配。本页以纯文本返回识别结果。另一种常见结果是可搜索 PDF：扫描图像保持可见，识别出的文字作为不可见文本添加在图像后面，这是 PDF 标准 ISO 32000 一直允许的渲染模式。

免费的 Adobe Acrobat Reader 可以显示扫描件，但不能运行 OCR；识别功能属于付费版 Acrobat。如果你只是偶尔需要提取文字，又不想再订阅一项服务，转换器是捷径。如果扫描效果仍不理想，可以看我们的指南：如何把文档扫描成 PDF，其中介绍了扫描仪和手机的设置。

扫描版PDF转文字的扫描分辨率

Size	Pixels	cm	in	DPI	Fits
Letter	1700 × 2200	21.59 × 27.94	8.5 × 11	200	仅适用于清晰的大号印刷字；小字只能靠猜
Letter	2550 × 3300	21.59 × 27.94	8.5 × 11	300	印刷页面 OCR 的标准设置
A4	2480 × 3508	21 × 29.7	8.27 × 11.69	300	A4 纸张上的同等细节
A4	3307 × 4677	21 × 29.7	8.27 × 11.69	400	脚注、小字、旧打字机页面

扫描版PDF转文字结果出错时

整页识别出的文字都是乱码
该页可能使用了其他语言或文字。请将文档语言设置为对应语言；同一页还有第二种语言时，请添加同时识别。
句子中间被断行，词尾带有连字符
这是沿用了印刷时的换行。在文字版式中选择纯文本流，即可得到连续的一整段文字；剩下的连字符需要用查找替换快速处理。
文本文件中缺少某些页面
请在高级设置中检查页面是否为全部页面。像 1-3 这样的范围会有意限制识别的页数。

PDF

便携式文档格式（PDF）

PDF 由 Adobe 于 1993 年创建，并在 2008 年成为开放的 ISO 32000 标准。它固定了文字、字体、图片和版式，使文档在每块屏幕和每台打印机上看起来都一样。PDF 可以包含表单、签名、链接、附件和可搜索文本，其中 PDF/A 变体用于长期归档。固定的版式使 PDF 难以编辑，而扫描版 PDF 除非经过 OCR，否则只包含图片。所有浏览器和操作系统都能打开。

压缩方式: –
透明度: 支持
动画: 不支持
发布年份: 1993 · Adobe

PDF 转换器

TXT

纯文本

TXT 文件只包含纯字符,没有格式、字体、图片或版面。现代文本文件通常采用 UTF-8 编码,可涵盖所有语言,而较旧的文件可能使用其他编码,从而显示乱码。纯文本体积极小,永不过时,从手机到服务器的所有设备都能打开。它无法保存粗体、表格或图片,结构只能靠间距或简单标记来表达。

压缩方式: –
透明度: –
动画: –
发布年份: –

TXT 转换器

扫描版 PDF 保存的是页面图片，其中的文字无法复制、搜索或建立索引；把文字识别为 TXT 文件后，扫描件就变成了可在编辑器、翻译工具或搜索框中使用的文本。

扫描版PDF转文字常见问题

怎么判断PDF是扫描件还是本身带文字？

试着选中一句话，或用 Ctrl+F 或 Command+F 搜索一个词。如果光标像选图片一样选中整页，搜索也找不到任何内容，说明这是纯图片扫描件，需要 OCR。如果文字能正常高亮，说明文字本来就在，用 PDF转TXT 即可原样提取，无需识别。

扫描版PDF转文字，纯文本和可搜索PDF哪个更好？

纯文本适合重复利用文字：引用、翻译、粘贴到数据库或邮件中。可搜索 PDF 保留扫描件的外观，并把文字隐藏在图像后面，适合归档和合同。如果你想要后者，请使用 OCR PDF。

扫描分辨率多少，PDF转文字效果最好？

普通印刷页面用 300 DPI。Tesseract 的文档指出，在 300 DPI 下，小于约 10 pt 的文字识别准确率会下降，所以脚注和小字建议用 400 DPI。提高到 600 DPI 对 OCR 很少有帮助，还会让 PDF 大好几倍。

打字机文稿或旧书扫描的PDF能转文字吗？

通常可以。打字机和书籍的字体都是规整的印刷字母，校正页面倾斜可以纠正扫描装订书籍时常见的倾斜。字迹很淡的页面开启增强对比度后识别效果更好。

为什么双栏页面识别出的文字顺序是乱的？

当文字版式设为保留版式（此处的默认值）时，各栏会分开处理。如果两栏的行仍然交错，说明扫描件中两栏之间的间距很窄；用页面端正、更清晰的扫描件通常能解决。