扫描件 PDF 怎么转成文字？OCR 软件怎么选？
效果取决于四件事：扫描质量（DPI、倾斜、阴影）、是否为中文、版面是否复杂、是否需要批量。清晰的英文扫描件用开源 Tesseract 就够；中文公文合同建议用带中文识别模型的国产桌面工具；复杂多页表格交给专业 OCR 工具；批量自动化用 OCRmyPDF 一类命令行方案。要记住一句：扫描质量决定上限，工具决定下限。
先判断你的扫描件属于哪一类
- 清晰文档类：300dpi、无倾斜、白底黑字——识别率最高
- 倾斜或有阴影：手机拍摄、翻拍——需先纠偏去噪
- 中文公文类：含公章、表格、竖排——需中文模型
- 混合类：部分页面有文字层——需逐页判断
具体操作步骤
按顺序操作即可完成。如果你的文档情况与下方「适用条件」不符， 请先处理前提问题再回来。
- 1
先判断扫描件属于哪一类
清晰文档类识别率最高，多数工具都能应付；倾斜或有阴影的需先做纠偏与去噪；中文公文类需要中文识别模型加版面分析；混合类则要逐页判断，只对图片页走 OCR。
- 2
提高输入质量——这一步影响最大
先纠偏、去阴影，确认扫描 DPI 不低于 300，再看识别结果。同一引擎在不同质量扫描件上的表现差距，往往比不同引擎之间的差距更大，所以这一步的收益高于换工具。
识别前先做这四件事
- 扫描，而不是拍照
- DPI 不低于 300
- 纠正倾斜角度
- 避免阴影与反光
这四项对准确率的影响，通常大于「换一款更贵的软件」。
与其反复换工具，不如先把这四项做掉。 - 3
按语言与版面复杂度选工具
中文扫描件优先选带中文识别模型的桌面工具；复杂多页含表格的报告交给版面还原能力强的专业工具；只是通用文本提取可选通用方案；批量可脚本化则用命令行工具。
工具 平台 价格 引擎与语言 扫描件适配 ABBYY FineReader Win/Mac 付费 自研，多语言 复杂多页、表格、多栏 Adobe Acrobat Win/Mac/在线 订阅 自研 通用文本提取、边识别边编辑 极光PDF Windows 基础功能免费 国产自研引擎，中文优化 中文扫描件、大文件 OCRmyPDF 全平台 开源免费 Tesseract 批量加文字层，不改原版面 Tesseract 全平台 开源免费 开源 LSTM，多语言 清晰扫描件，可脚本化 在线 OCR 站点 浏览器 限次、限体积 各家引擎 临时小文件 选型的重点是「引擎类型 + 中文支持 + 批量能力」，不是价格高低。 - 4
逐页校对关键字段
重点核对金额、编号、姓名、日期——这是最易出错的区域。这一步不能跳过：识别错误落在关键数据上，后果远大于节省下来的时间。
必须逐项核对的字段
- 金额与数字
- 编号
- 姓名
- 日期
- 表格内的数值
OCR 的错往往集中在这些短字段上，而它们恰好最不能错。 - 5
按用途输出结果
需要在软件内继续编辑文字，就直接在识别后编辑；要交给别人处理，导出 Word 或文本。输出前确认是否需要在原 PDF 上加一层可搜索的文字，两者的产物不同。
适用条件
以下条件都满足时，上面的步骤可以直接使用。
- 你已经有一份扫描件 PDF，且确认它不是文字型（文字选不中、搜索不到）。
- 你能接受 OCR 结果需要人工校对，而不是直接可用。
- 涉及证件、合同等敏感材料时，应使用本地处理工具而非在线服务。
注意事项
这几条是最容易出问题的地方，动手前建议先读一遍。
- 模糊、倾斜、手写体的识别率会明显下降，任何 OCR 都无法保证完全准确。
- 扫描质量决定准确率上限：低质量输入换什么工具都救不回来。
- 常见字体的识别错误往往集中在数字、编号与专有名词上，这些字段必须逐项核对。
常见问题
先用带 OCR 的工具把图片识别成文字层，再导出为 Word 或文本。中文扫描件优先选带中文识别模型的工具。
取决于引擎与扫描质量。可以试带中文优化引擎的国产桌面工具，或专业 OCR 软件；建议用自己的样张实测后再定。
开源的 OCRmyPDF 与 Tesseract 免费且可批量，但需要命令行基础，中文还需另装语言包；在线免费版有次数与体积限制。
先提升扫描质量：300dpi 以上、用扫描而非拍照、纠正倾斜、避免阴影；再换带版面分析与中文模型的工具重试。
必须校对。姓名、金额、编号、日期是最易错的字段，合同与票据务必逐项核对。
相关功能