PDF OCR

不是工具坏了，是图片本身质量不够。Tesseract OCR 对图片清晰度、对比度、文字排列都有要求。如果原 PDF 是手机拍的书页、有阴影或字体太小（<10px），识别率会骤降。建议先做两步：1) 用图片编辑软件把页面调成黑白高对比、旋转正；2) 如果原图分辨率低于 200 DPI，先用其他工具把 PDF 转成 300 DPI 的图片再上传。本工具后端接收图片后会做自动预处理，但底图太差也救不回来。

本工具每页独立处理，卡住通常是某一页图片体积过大（单页超过 10MB）或服务器资源排队。可以尝试：1) 把 PDF 拆成 10 页以内的子文件分批上传，每批处理时间约 30-60 秒；2) 检查原 PDF 是否加密或有保护，本工具无法处理有密码的文档；3) 如果卡顿超过 2 分钟，刷新页面重新上传即可，后端不会重复计算已完成的页。

Tesseract 在处理扫描件中的噪点、水印、页眉页脚时，会把非文字区域误判为字符。例如浅色底纹上的斑点可能被识别为句号或逗号，页脚页码旁边的装饰线可能变成一串横线。解决办法：上传前先用 PDF 编辑器去除背景水印和页脚装饰；如果已经上传，可以在结果文本中用正则替换（如 `[^\u4e00-\u9fa5a-zA-Z0-9]` 批量去除非文字符号）。本工具暂不支持自动去噪。

对于 300 DPI 以上的清晰扫描件，两者差距不大，Tesseract 的中文识别率在 95% 以上。但 Adobe Acrobat 有商业级的版面分析和字体还原能力，遇到复杂排版（多栏、表格、旋转文字）时准确率更高；本工具基于开源 Tesseract，适合纯文字段落、单栏排版的文档。如果追求版面还原（如保留表格结构），建议用 Acrobat；如果只是提取文字内容做搜索或复制，本工具免费且足够用。

Tesseract 默认训练模型主要针对横排简体，对竖排繁体古籍的识别率很低（通常低于 60%）。本工具没有专门训练竖排或古籍字体，遇到这类文档建议先做人工预处理：用图片编辑软件将页面旋转 90 度变成横排，再上传。如果原文是繁体字，可以在设置里选择繁体中文语言包（本工具支持），但竖排字符顺序仍可能错乱，需要后期手动调整。

本工具限制的是单文件大小（最大 50MB），而不是页数。几 KB 的 PDF 通常是纯文本生成的（不是扫描件），这类文件没有图片层，本工具无法处理。真正扫描版 PDF 即使只有 1 页，分辨率高时也可能超过 5MB。建议先确认文件属性：右键→属性→查看是否包含图片对象。如果不含图片，直接用其他工具复制文本即可，不需要 OCR。

这是 Tesseract 的常见短板——中文模型遇到中英混排时，英文单词常被按字母拆分（如 'hello' 变成 'h e l l o'）。如果文档以英文为主，上传前在工具设置里切换语言模型为 'eng'（纯英文）或 'chi_sim+eng'（中英混排），可以明显改善。如果已经处理完，可以在结果中手动用正则 `\b([a-zA-Z])\s+(?=[a-zA-Z])` 合并被拆散的字母。

后端处理流程是：上传→OCR 识别→返回文本→立即删除原始 PDF 和中间图片。服务器不保留任何文件，处理过程在内存中完成，完成后 30 分钟内自动清理临时目录。但注意：传输过程使用 HTTPS 加密，如果文档包含高度敏感信息（身份证、合同原件），建议在本地用离线 OCR 工具处理。本工具不记录上传者 IP 或文件名。