PDF文字识别(OCR)

一份旧合同、一叠发票或者拍下来的书页，眼睛看得清清楚楚，Ctrl+F却一条都找不到。因为扫描件里装的是文字的照片：你看到的是字，电脑看到的是一堆像素。光学字符识别就是把这些像素重新读成可以搜索、可以复制的字符。

识别语言有五种可选：韩文加英文、纯英文、纯韩文、日文加英文，以及简体中文加英文。中文材料选简体中文加英文这一项，夹在正文里的英文词和数字也能一并读出来。识别率几乎完全取决于原件质量，建议扫描时用三百dpi左右，页面摆正不要倾斜，光线均匀、装订缝处不要有阴影。手写体、盖在文字上的印章、带底纹的背景和颜色偏淡的复印件都会明显拉低准确率，金额、日期和单号这类数字一定要人工核对一遍。

结果可以直接取纯文本，也可以保存成可搜索的PDF：原来的扫描图像照旧显示，识别出的文字作为一层看不见的内容压在下面，外观和扫描件一模一样。识别完全在浏览器中运行，首次使用需要下载识别引擎，处理时间随页数增长，页数多的文档建议分批处理。如果这份PDF本来就是电子生成的而非扫描的，用pdf-to-text取到的是原字符，不会有识别错误。