扫描件转可搜索 PDF：OCR 的识别率取决于什么

扫描件转可搜索 PDF：OCR 的识别率取决于什么

很多扫描件PDF 看着清楚，但它是「一张图片装在 PDF 里」，没有任何文字信息。

顺序可以按自己的习惯调，我按最常用的排。

先分清两种 PDF

文字型 PDF：能选中、能搜索，占用小。

扫描型 PDF：本质是图片，文字只是长得像。判断方法：试着选中一段文字，能选中就是文字型。

你需要的是把扫描型转成文字型。

识别率取决于什么

分辨率：150 DPI 勉强能用，300 DPI 是标准，400 以上收益递减。

拍摄角度：倾斜 10 度，识别率就明显下降。扫描仪比手机强。

对比度与阴影：手影、反光会让局部识别失败。

版面复杂度：表格、印章、手写签名会拉低识别率，尤其印章盖住文字时。

识别后的清理

OCR 出来的 PDF 常有多余空白页、断行错误、页码错乱。

关键是扁平化（flatten）：把识别出的文字层和原图合成一层，避免打印时重复显示。

# 合并图层（Ghostscript）
gs -sDEVICE=pdfwrite -dNOPAUSE -dQUIET \
   -dAutoRotatePages=/None -sOutputFile=flat.pdf in.pdf

处理完加批注、签字就方便了，不会因为图层问题显示异常。

一点说明

以上是我自己流程里的做法，不一定适合所有人。如果你的场景有更好的顺序，欢迎在评论区补充。

延伸阅读

这类操作在多个工具里都有对应实现，可以按自己的技术栈选一个，重点是确认处理过程在本地完成、文件不出本机。