OCR图像和PDF

对图像或PDF执行OCR（Tesseract）

OCR图像和PDF是什么

上传一张图片或 PDF，用跑在浏览器里的 Tesseract 引擎把画面上的文字识别成可复制的文本，并给出字符数、词数、行数、页数统计。截图转文字、扫描件摘录、PDF 里选不中的文字都能靠它。

在顶部「语言」下拉里选识别语言（可搜索，默认 English）；中文简体选 Chinese - Simplified，繁体选 Chinese - Traditional
把图片或 PDF 拖进上传区，也可以直接把截图粘贴到页面上
等待识别：首次使用会先下载识别引擎和语言包，页面只有转圈，这段时间不要关标签页
结果出现在下方文本框，可一键复制，也能下载成 output.txt
下方统计卡片给出字符数、词数、行数、页数、句数、大小写字母数、数字数等

输入

一张中文简体截图，语言选 Chinese - Simplified

输出

文本框内输出识别出的中文，统计卡片显示字符数、词数、行数，页数为 1

语言若停在默认的 English，中文会识别成乱码或空白

我的文件会被上传到服务器吗？

不会。识别全程在浏览器里跑。只有 Tesseract 的引擎和语言包需要从 jsdelivr CDN 下载一次，那部分是公开的模型文件。

能识别手写体吗？

基本不行。Tesseract 是印刷体识别引擎，工整的印刷字体、截图效果最好，连笔手写几乎不可用。

怎么提高识别准确率？

三件事：选对语言、保证原图清晰（文字高度最好 20px 以上）、画面摆正不倾斜。扫描件建议 300dpi 以上。

支持哪些语言？

一百多种，包括简体中文、繁体中文、英日韩德法俄等，还有拉丁语、古法语等特殊包，在语言下拉里可以直接搜。

首次使用要从 cdn.jsdelivr.net 下载 Tesseract 的 WASM 引擎和所选语言包（英文约 10MB 量级，中文包更大），之后浏览器会缓存。这是本工具唯一的外网请求，图片本身不上传。
PDF 会先用 pdf.js 按 1.5 倍缩放逐页渲染成图片再逐页识别，页数越多越慢，几十页的扫描件要等很久
识别不出来的第一嫌疑是语言选错：中文图选了 eng 基本全是乱码；中英混排选 chi_sim 也能认出英文，反之不行