PDF OCR 是什么？文字层、扫描件与识别结果的区别

OCR 是光学字符识别：把图片中可见的文字识别为字符。它适合扫描件、拍摄页和图片文字，但不会自动理解所有版式，也不能保证每个字都正确。

外观相同的 PDF，内部可能不同

一份 PDF 可以包含真正的文字对象，也可以只是整页图片，还可以把图片与文字层叠在一起。它们看起来可能相似，但搜索、复制和提取的效果不同。

有可靠文字层时，工具可以直接读取字符；只有扫描图片时，必须先识别。能选中却复制成乱码，可能是字体映射异常，不能仅凭“选得中”判断文字层质量。混合文档还可能只有部分页面需要 OCR。

OCR 的基本流程

工具读取或渲染页面图像，识别文字区域和字符，再组织成输出。页面方向、清晰度、对比度和版面复杂度都会影响结果。输出中出现换行、阅读顺序或字符错误并不罕见。

例如双栏论文可能被错误地跨栏拼接，表格数字可能丢失行列关系，公式也未必保持正确结构。校对时应先确认阅读顺序，再检查具体字符，尤其是金额、日期、编号、人名和专用术语。

文本输出与可搜索 PDF 不同

导出 TXT 或 Markdown，得到的是可复制、可编辑的文字文件；生成可搜索 PDF，则需要把文字层按位置写回页面。这是不同的输出能力。识别出文字，并不表示软件同时支持生成可搜索 PDF，或可以恢复为原版式 Word。

方序 PDF 官网当前提供的 v0.1.0，在“PDF 转文字”中支持直接提取与离线 OCR，输出 TXT 或 Markdown，不生成可搜索 PDF。自动模式优先利用文字层；遇到异常时，可在少量页面上比较强制 OCR 的结果。

怎样提高实用性

1. 保留原件，先选有代表性的少量页面测试。
2. 纠正横放或倒置，尽量使用清晰、无遮挡的源图。
3. 对比直接提取与 OCR 的输出，选择更合适的方式。
4. 把结果与原页并排检查，修正阅读顺序、数字和专名。
5. 重要材料交付前再做人工复核，并保留出处。

基础处理在本机完成，有利于减少向在线转换服务上传原文件的需要；客户端授权校验与更新等仍可能联网，具体以软件说明为准。

需要具体操作时，阅读扫描 PDF 不能复制文字，或查看 PDF OCR 功能与官网下载。