扫描的 PDF 是页面图像的集合。它看起来像一个文档，但对于计算机来说它是一个相册。您无法搜索它、复制其中的文本或让屏幕阅读器朗读其内容。将扫描件转换为完全可搜索的 PDF 会在每个页面图像后面添加一个文本层，使文档的行为类似于数字创建的 PDF，同时保留原始扫描的外观。该过程称为 OCR（光学字符识别），基于浏览器的工具使其快速且准确。
生成的可搜索 PDF 的质量取决于三个因素：原始扫描的质量、OCR 引擎的准确性以及添加文本图层后是否优化文件。如果三者都正确的话，就会生成一个可搜索的 PDF 以及数字原件。其中任何一个错误都会产生 PDF，其中搜索会丢失内容或返回乱码结果。
根据内华达大学文档 AI 研究小组的 2025 年基准，基于云的现代 OCR 引擎在以 300 DPI 扫描干净的英文印刷文本时实现了 99% 以上的字符准确率，高于十年前的约 95%（内华达大学，“OCR 准确度基准报告”，2025 年）。该技术已经成熟到干净扫描时出现 OCR 错误是例外而不是规则的程度。
准备扫描以获得最佳 OCR 结果
OCR 准确性更多地取决于扫描质量而不是 OCR 引擎。对干净的印刷文本进行直线、光线充足、300 DPI 扫描，在任何有能力的引擎上都可以以近乎完美的精度进行 OCR。一张弯曲的、有阴影的、有皱纹的文档的低分辨率照片在现有的最佳引擎上也会产生很差的结果。运行 OCR 之前，请检查扫描质量。对弯曲的页面进行纠偏。调整对比度，使文本变暗，背景变亮。剪掉不包含文本的不相关区域。
如果您可以控制扫描过程，请以 300 DPI 扫描黑白或灰度文本文档。彩色扫描对于文本来说是不必要的，并且会生成较大的文件，处理速度会更慢。 扫描 PDF 准备步骤需要几分钟，并通过消除混淆字符识别算法的视觉噪声来直接提高 OCR 准确性。
在基于浏览器的工具中运行 OCR
将扫描的 PDF 上传到基于浏览器的 OCR 工具。如果工具询问，请选择文档语言。多语言文档应使用自动检测语言设置（如果可用）。启动 OCR 过程。该工具分析每个页面图像，识别字符形状，并在每个图像后面添加透明文本层。处理时间取决于页面数量和服务器的处理能力，通常每页几秒钟。
WukongPDF 的OCR PDF 工具可处理扫描文档并添加可搜索文本层。文档的视觉外观不会改变。扫描的页面看起来与以前一模一样，但现在您可以搜索单词、复制文本并让屏幕阅读器阅读文档。文本层在您使用之前是不可见的。
验证 OCR 准确性
OCR 后，搜索您可以在扫描页面上看到的单词。如果搜索找到它们，则 OCR 起作用。搜索分散在整个文档中的一些术语，而不仅仅是在第一页上。如果扫描质量不同，OCR 准确性可能会因页面而异。包含小文本、不常见字体或背景图案的页面的准确性会低于包含干净、标准文本的页面。
当每个页面都返回准确的搜索结果时，PDF 转换器从扫描到可搜索 PDF 的管道就完成了。如果某些页面失败，请以更高的质量或更好的照明重新扫描这些页面并重新处理它们。 OCR 无法创建图像中没有的信息。文本层的准确度取决于其读取的扫描结果。
压缩 OCR 输出文件
OCR 处理后，文件大小可能会增加，因为文本层会向每个页面添加数据。通过压缩运行 OCR 处理的文件以减小文件大小，同时保留扫描图像和新文本图层。压缩应针对图像数据而不影响文本。 WukongPDF 在单个会话中处理这种 OCR 和压缩相结合的工作流程。