我的文件会上传到服务器吗？

不会。转换完全在你的浏览器里完成，用的是你自己设备的算力。文件不会离开你的电脑或手机；每个工具用过一次之后，断网也照样能用。

怎么知道我的PDF需要OCR？

在里面试着选中一段文字。什么都选不中，就是扫描件，需要OCR；能正常选中，用普通的PDF转Word效果更好。

版式能保留吗？

你得到的是按阅读顺序排列的文字，而不是页面设计的还原。分栏和表格会变成文字，而不是带格式的结构。

PDF文字识别（OCR）：从扫描件PDF中提取文字

在你的设备上运行 · 你的文件从不离开你的设备。

扫描件PDF其实是一叠图片——所以选不中、搜不到里面的字，转成Word也是空的。这个工具从每一页的图片里把字读出来，给你真正的文字。

每一页先以高分辨率渲染，再进行识别，进度逐页显示。长文档需要一些时间：识别是在你的设备上实打实地运行，而不是在服务器上排队。

简体中文、繁体中文、英文以及其他十几种语言都能识别——选文字本身所用的那一种。阿拉伯文等从右到左的文字，在预览和导出的Word里都保持从右到左。

如何PDF文字识别（OCR）：从扫描件PDF中提取文字

添加扫描件PDF——就是选中文字毫无反应的那种。
选择文字所用的语言，例如简体中文、繁体中文或英文。
点击“提取文字”。第一次运行会下载一次识别模型，之后就缓存了。
复制文字，或下载为TXT或Word。

支持的格式与限制

输入: 扫描件PDF和拍下来的页面
输出: 文字——复制、TXT或Word
语言: 简体中文、繁体中文、英文、阿拉伯文、阿拉伯文+英文混排、德文、法文、西班牙文、俄文、葡萄牙文、印地文、土耳其文、希伯来文、波斯文、乌尔都文、印尼文、孟加拉文
首次运行: 一次性下载模型，之后离线缓存
运行位置: 在浏览器本地完成，不上传

不适用于： 手写体——印刷体识别可靠，手写笔记的效果差得多。

每一页在识别前怎样准备

每一页先按PDF阅读器显示的样子画成216 DPI的图片，所以带旋转设置的页面会以正的方向识别。如果扫描图像本身就是横躺的，会照原样识别，结果是一堆乱码；这类页面请先用旋转PDF（/rotate-pdf）转正。特别大的页面（大约A2及以上）会用较低的分辨率绘制，以免超出浏览器能容纳的单张图片大小。

每一页都从图片里识别，包括本来就带有真正文字的页面。一份部分是打字、部分是扫描的文档，打字的那些页用PDF转文本（/pdf-to-text）能一字不差地取出来，而识别可能认错个别字。

长文档

每一页画好、识别完、释放掉之后，才画下一页，所以再长的扫描件，需要的内存也就和一页差不多。进度条先在识别引擎加载时走一小段，然后逐页前进，下方写着正在识别哪一页。

“取消”会在正在识别的那一页停下，并保留已完成页面的文字：有一行说明已完成总页数中的几页，复制、TXT和Word下载里都包含这些页面。可以同时添加几个PDF以及页面照片，它们会在同一次任务里依次识别。

你会得到什么

结果是文字，不是新的PDF：扫描文件本身仍然是一组图片。识别不止一页时，每页文字前有一行标记，比如“--- scan.pdf — 第 3 页 ---”，用你正在使用的页面的语言书写，方便你查出某段话来自哪里。Word文件以PDF的名字作为标题，每一页各在自己的小标题下，一页接一页排下去，而不是分在不同的页面上。

按“提取文字”之前，先在“文字语言”里选好文档所用的语言——是文档的语言，不是这个页面的语言。简体中文和繁体中文是两个不同的设置，按文档实际用的字来选。

常见问题

我的文件会上传到服务器吗？: 不会。转换完全在你的浏览器里完成，用的是你自己设备的算力。文件不会离开你的电脑或手机；每个工具用过一次之后，断网也照样能用。
怎么知道我的PDF需要OCR？: 在里面试着选中一段文字。什么都选不中，就是扫描件，需要OCR；能正常选中，用普通的PDF转Word效果更好。
版式能保留吗？: 你得到的是按阅读顺序排列的文字，而不是页面设计的还原。分栏和表格会变成文字，而不是带格式的结构。