光学字符识别是从「文字的图片」里读出文字。扫描的合同、拍下的收据、错误信息的截图看起来都像文档，却不包含计算机能选中、检索或复制的文字。OCR 通过分析字母的形状把字符重建出来。
本工具运行的是历史悠久的开源 OCR 引擎 Tesseract，它被编译成 WebAssembly，在你的浏览器里而不是服务器上执行。PDF 页面在识别前会按原尺寸的两倍渲染，因为分辨率是影响准确率的最大单一因素。输出是一个纯文本文件，页与页之间用标记分隔。
识别在你自己的设备上运行。这在 OCR 领域并不常见——多数服务都要求上传——它意味着工资单、诊断书和身份证件可以在不被传输的情况下读取。
.txt 文件，页与页之间用带编号的分隔线隔开。| 因素 | 对结果的影响 |
|---|---|
| 源分辨率 | 最关键。300 DPI 的扫描件稳定，100 DPI 基本靠猜 |
| 倾斜 | 超过两度，准确率就迅速下降 |
| 对比度 | 白底黑字最理想，淡复印件和有色背景不利 |
| 字体 | 常见宋体黑体稳定，手写体不支持 |
| 版式 | 单栏流畅，多栏和表格会丢失结构 |
自动模式会把当前页面的语言与英语配对：中文文档识别为中文＋英语，日文文档识别为日文＋英语，以此类推。这个组合对应了现实中最常见的情况——一份某种语言的文档里夹着英文产品名、地址或技术术语。
每个语言模型都是几兆字节的独立下载，首次使用时获取，之后由浏览器缓存。因此某个新语言的第一次运行会明显慢于第二次。
不是，这正是关键。Tesseract 被编译成 WebAssembly，在你的浏览器标签页里运行。你的扫描件不会被上传，因此那些你不愿交给在线服务的文档也可以安全处理。
对干净、端正的 300 DPI 印刷文字扫描件，准确率通常远高于 95%。淡复印件、倾斜页面、低分辨率照片和特殊字体都会明显降低准确率。
不能。Tesseract 以印刷字体训练，手写笔记、签名和连笔字都无法识别。
UTF-8 纯文本文件。页与页之间用带编号的标记分隔。版式、分栏、表格和图片都不会保留。
因为需要下载几兆字节的语言模型。之后会被缓存，同语言的下一份文档会立即开始。
不会。输出是一个独立的文本文件，而不是把文字层写回 PDF。请把它用于检索、引用或导入其他系统。