PDF OCR 识别
什么是 PDF OCR，为什么它不是“可有可无”的附加功能
很多人第一次接触 OCR，会把它理解成“把图片里的字抠出来”。这当然没错，但对实际工作流来说，这个理解太浅。对扫描件、拍照件、归档件、盖章件、历史档案和纸质合同来说，OCR 真正解决的是一个更底层的问题：原本只能“看”的文档，变成可以“搜、选、复制、再处理”的文档。
如果一份 PDF 里的文字本质上只是像素，你在阅读器里看到的是内容，系统看到的却只是图片。你无法稳定搜索关键词，无法可靠地复制正文，后续也很难继续做 [PDF 转 Word](/convert/word)、[PDF 转 Excel](/convert/excel)、[PDF 转 Markdown](/convert/markdown) 这类结构化处理。很多团队觉得“直接上传 PDF 给 AI 也能问答”，结果发现回答经常漏条款、混淆表格、跳错段落，根因并不是模型差，而是源文档没有先变成机器可读的文本层。
所以，OCR 不是一个锦上添花的小功能，而是很多扫描件工作流的起点。先把扫描件变成可搜索 PDF，再考虑编辑、提取、归档、审阅、知识库接入，后面的每一步都会稳很多。
这页适合谁，不适合谁
适合这页的人，通常有下面几类：
- 需要把扫描合同、盖章文件、纸质表单、档案件变成可搜索文本的人。
- 想把扫描版 PDF 继续转成 Word、Excel、Markdown 或者可引用摘要的人。
- 做知识库、内部问答、资料归档，发现扫描件几乎没法检索的人。
- 经常要在手机、平板、浏览器里临时处理文档，不想装桌面软件的人。
- 关心隐私，希望先把文件处理链路想清楚，再决定是否上传到在线服务的人。
不适合这页的人，也很明确：
- 你的 PDF 本来就是文字版，能直接选中文字，那你大概率不需要先做 OCR，可以直接去对应工具页处理。
- 你要保留的是极强的视觉版式，比如海报、宣传页、画册、艺术作品集，那 OCR 只能解决文字层问题，无法替代版面复原。
- 你处理的是极高敏感级别的材料，组织内部明确不允许上传到在线服务，这时应优先走本地或私有化方案。
简单说，这页解决的是“扫描件如何变成可用文档”的问题，不是“所有 PDF 都要先 OCR”的问题。
先判断文件类型，再决定要不要 OCR
在真正开始前，最值得花的十秒钟，是先判断这份 PDF 到底属于哪一类。
第一类是文字版 PDF。常见来源是 Word、网页、PPT 或排版工具直接导出。鼠标可以选中文字，复制出来顺序基本正确。这类文件不必先 OCR，直接去转 Word、转 Excel、转 Markdown 会更省时间。
第二类是扫描版 PDF。纸张扫描、手机拍照、旧档案翻拍、带盖章件的图片化输出，通常都属于这一类。文字看得到，但选不中，搜索也没有结果。这类文件先 OCR 再做后续处理，是最稳妥的路径。
第三类是混合版 PDF。一部分页面是文字层，一部分页面是图片，或者正文可选中，但附录、签章页、截图页不可选。这种文件最容易让人误判，因为你会以为“能复制一点点，就说明整份文件是文字版”。实际处理时，混合版往往要分段看待：正文可直接处理，扫描附录先 OCR，再并回整体流程。
一个很实用的判断动作是：打开文件，随手选一段正文，再搜索文中一个明确出现过的词。如果“能看不能搜”，就是 OCR 工作流；如果“能选能搜但顺序混乱”，说明版面复杂，后续仍需人工抽查。
OCR 在实际工作里，到底帮你省掉了哪些麻烦
很多人知道 OCR 能让文档“可搜索”，但真正节省时间的地方，往往出现在后续动作里。
第一，是检索。扫描件最大的问题不是不能阅读，而是不能快速定位。合同查某条约定、论文查某个术语、档案查某个人名、报表查某列指标，只要变成可搜索 PDF，效率就会明显提升。
第二，是复制与引用。很多时候你不是想把整份文档改写，只是想摘一段发邮件、贴到方案里、放进会议纪要。如果没有文字层，复制出来要么是空白，要么要重新手打。
第三，是二次转换。扫描件直接转 Word，通常得到的是“嵌在 Word 里的图片”；扫描件直接转 Excel，表格大概率全散；扫描件直接转 Markdown，结果常常是稀碎文本。先 OCR，再做 [Word](/convert/word)、[Excel](/convert/excel)、[Markdown](/convert/markdown) 这样的结构化转换，才更接近真正可编辑、可复用的结果。
第四，是知识库与 AI 使用。很多团队已经接受了“PDF 可以当资料源”，但忽略了扫描件会显著拉低问答质量。OCR 不是为了让模型“看到字”，而是为了让文档边界、段落结构、标题层次和表格关系更容易被后续流程消费。
PDF OCR 的标准工作流，不建议跳步
一套稳的工作流，通常不是“上传一下，下载一下”。
第一步，判断文档是否需要 OCR。前面已经说过，不是所有 PDF 都该先识别，先分清文字版、扫描版、混合版，能减少很多无效处理。
第二步，做输入检查。包括页面是否明显倾斜、背景是否太脏、印章是否盖在关键文字上、拍照件是否有阴影、边缘是否裁切不完整。OCR 的上限受输入质量影响很大。
第三步，跑 OCR。这里的目标不是追求神奇的“全自动完美”，而是先拿到足够可靠的文字层。只要后续检索、复制、二次转换和人工校对能顺利进行，这一步就已经达标。
第四步，做快速验收。不要等全部文件进入后续系统才发现出错。至少抽查标题、表格、金额、日期、姓名、页码、专业术语这些高风险位置。
第五步，再走二次处理。根据目标选择转 Word、转 Excel、转 Markdown，或者直接保存为可搜索 PDF 归档。
第六步，记录版本与来源。尤其是法律、财务、学术、档案类文档，建议保留“原扫描件”和“OCR 工作版”两份，不要混成一个文件。
这套流程看起来比“一次上传完”多了几步，但它会大幅降低返工和误判成本。
哪些场景最需要先 OCR，再做别的
一个常见误区是，把 OCR 看成一个孤立任务。实际上，它更像很多链路的前置步骤。
如果你的目标是继续编辑合同、制度、申请表、报告，那么常见顺序是：先 OCR，再 [PDF 转 Word](/convert/word)。这样拿到的 Word 更可能是可编辑文字，而不是一张张图片。
如果你的目标是提取表格、做汇总、做对账，那么顺序通常是：先 OCR，再 [PDF 转 Excel](/convert/excel)。扫描表格直接抽数据，结果往往不稳定；先补文字层，再识别表格，成功率会高很多。
如果你的目标是做知识库、RAG、文档站或 AI 资料源，那么顺序更适合是：先 OCR，再 [PDF 转 Markdown](/convert/markdown)。Markdown 不是为了“好看”，而是为了保留标题、列表、表格与图片引用这些结构信号。
如果文件特别大，上传不顺畅，或者扫描件本身包含大量图片，实践里也经常会先 [压缩 PDF](/convert/compress)，再 OCR。但这一步要谨慎，过激压缩可能损伤文字边缘，让识别更难。
谁适合在线 OCR，谁更适合本地或私有化 OCR
在线 OCR 的价值，不在于“技术更高级”，而在于进入门槛低、浏览器即开即用、适合日常中小批量场景。对个人用户、小团队、运营、行政、研究助理、销售支持来说，它通常已经足够好。
但如果你属于下面几类人，就应该先想清楚是不是在线方案：
- 高频大批量处理者，希望把 OCR 串到更长的自动化流程里。
- 长期处理结构高度复杂的学术论文、财务报表、历史档案、医疗记录、法律文书的人。
并不是说这些场景不能用在线 OCR，而是你需要更明确地管理边界：哪些文件可在线，哪些必须本地；哪些结果只作工作稿，哪些结果可进入正式系统；哪些字段必须人工复核，哪些可直接放行。
影响 OCR 结果的核心因素，不是越多参数越好，而是先管住输入
很多用户会在页面上盯着语言、格式、导出方式反复犹豫，却忽略了更关键的东西：输入本身是否适合识别。
分辨率是第一个关键因素。太低，笔画粘连；太高，文件体积膨胀但收益有限。日常办公件、合同、报表、论文，大多数情况下只要清晰、端正，识别结果就会明显好于“模糊但高像素”的图片。
倾斜是第二个因素。轻微偏斜，人眼看着问题不大，但 OCR 在分行、识别列、判断字符轮廓时都会更吃力。拍照文件尤其常见。
背景干扰是第三个因素。阴影、装订黑边、水印、泛黄底色、盖章遮挡、低对比打印，都会让识别引擎更难稳定判断字符边界。与其频繁更换工具，不如先把背景问题压下去。
语言配置是第四个因素。中英混排、数字和英文缩写很多的文件，如果工具只按单语识别，错字会集中出现在术语、型号、变量和表头里。混排文档尤其适合先确认工具的语言支持，而不是默认“能识别中文就够了”。
版式复杂度是第五个因素。双栏排版、跨页表格、脚注、页眉页脚、图注、批注、盖章页，这些位置本来就不适合完全依赖自动结果。好的流程，是提前知道哪些地方高风险，而不是事后抱怨“工具不准”。
OCR 的目标不是完美还原，而是让后续动作更可靠
如果你把 OCR 的成功标准定义为“每个字都百分之百无误”，那大多数在线工具都达不到。更实际的判断标准是：这份文件是不是已经足够支撑后续动作。
例如，一份归档合同，重点可能是可全文搜索、可复制条款、可继续转 Word；一份财务表格，重点可能是关键数字、表头、列关系别乱；一份产品手册，重点可能是章节结构完整、术语可检索；一份论文，重点可能是标题、摘要、正文和表格的阅读顺序稳定。
你会发现，OCR 的“好坏”不是一个统一标准，而是取决于文档之后要做什么。把这个判断前移，你就不会在无关细节上浪费时间。
如果你处理的是合同、制度、财务件，应该怎么验收 OCR 结果
这类文档不能只看“能搜到了没”，必须做更有针对性的验收。
对合同来说，至少抽查这些地方：甲乙双方名称、金额、日期、违约条款、签章页附近的关键语句。合同类文档的风险通常不在普通描述段，而在关键字段与条件句。
对制度和通知类文档，要重点看标题层级、编号结构、附件名称、适用范围和日期。很多组织文档后续要被引用、转述和转成知识库，层级一乱，使用体验就会差很多。
对财务件来说，更要重点检查数字、日期、账号、税率、总额和表头关系。财务文档的 OCR 不是“看着差不多就行”，而是关键字段必须可靠。你甚至可以把金额、日期、编号这些项目单独拉出做一次人工核验。
移动端拍照件，是最容易被低估的一类 OCR 场景
很多实际业务不是来自扫描仪，而是来自手机。门店回传票据、客户发来的拍照合同、会议现场拍的白板、打印后手写再拍照的表单，都是这样来的。
这类文件的难点，不一定在识别语言，而在光照、透视、反光和阴影。哪怕同一份文件，只要拍摄角度、背景、边缘裁切不稳定，结果差异都会很大。
处理这类文件时，不要一上来就追求“最强 OCR 引擎”，而是先做好三个动作：尽量正拍、尽量裁掉多余背景、尽量避免手和阴影压住正文。只要源图干净，后面的识别通常会顺得多。
对于拍照件，OCR 后的最佳去向也要分清楚：如果只是要查字和摘录，可搜索 PDF 就够；如果还要修改内容，转 Word 更合适；如果要进知识库或 AI 流程，转 Markdown 更稳定。
多语言与混排文档，最容易出问题的不是正文，而是术语和表头
很多文档主体看似中文，真正决定结果好坏的却是那些夹在里面的英文型号、变量名、缩写、产品名、条款编号、公式、日期和表格字段。
混排文件常见问题不是“大段识别失败”，而是零散位置出错：某个产品名被拆开，某个型号的数字被看错，某个中英文表头对不上，某个页脚里的文号混进正文。你如果只抽查正文段落，很可能会误判整份文件“没问题”。
更稳的做法是，验收时故意挑这些高风险位置：标题、表头、编号、日期、金额、公司名、专有名词、缩略词。只要这些位置稳住，整份文件的可用性通常就不会太差。
扫描件进知识库前，为什么建议先做 OCR 再转 Markdown
如果你的目标是把文档变成 AI 能稳定消费的资料源，扫描件直接入库几乎总会拖后腿。
原因并不复杂。RAG、内部搜索、资料切片和问答系统都依赖一个前提：文本边界大致是清晰的。扫描件如果不先 OCR，就算系统能抽到一些文字，也常常缺层级、缺表格关系、缺稳定段落边界。这样做出来的检索结果，往往是“字在，但上下文不稳”。
而 Markdown 的价值，在于它把结构显式写出来。你把扫描件先识别成文字层，再转成 [Markdown](/convert/markdown)，后续做标题切片、FAQ 抽取、知识块拆分，才更像是在处理“文档”，而不是在处理“图片上掉下来的文字”。
什么时候不建议继续在线 OCR，而应该直接换方案
如果你遇到以下情况，不建议一味重跑在线工具：
- 批量规模很大，在线上传、下载与人工抽检已经成为瓶颈。
- 页面复杂度高，双栏、脚注、跨页表格、手写叠加内容很多。
这时更合理的做法通常有两种：一种是改用更重的本地/私有化流程；另一种是接受“只解决最核心部分”，例如先抽正文、单独处理表格、单独处理签章页，而不是强求整份文件一步到位。
换句话说，不是 OCR 失败了，而是这类文件本来就不适合被看成一个统一任务。拆开处理，反而更现实。
如果只是想提升结果，先从这几件小事开始
很多看起来像“识别问题”的麻烦，其实可以通过很小的动作改善：
- 先确认下游目标是搜索、编辑、归档还是知识库，不要做完 OCR 才想这个问题。
这些动作并不复杂，但能帮你把 OCR 从“碰运气”变成“可控流程”。
一条实际可复用的工作流：扫描合同到可编辑工作稿
如果你经常处理的是合同、协议、盖章说明、流程制度类文档，可以参考这条更务实的路线。
第一步，保留原扫描件，不覆盖。原件负责存档，工作稿负责处理，两个版本分开管理。
第二步，先 OCR，目标是把全文搜索、复制和条款摘录做出来，而不是马上追求版式完美。
第三步，抽查金额、日期、主体名称、关键条款和签章页附近内容。只要这些地方稳，文档就已经具备工作价值。
第四步，如果后续要逐条修订、加批注、发法务或运营继续改，就再转 [Word](/convert/word)。如果只是要归档和检索，可搜索 PDF 已经足够。
第五步，如果团队后面还会做知识库、问答或 SOP 沉淀，再转 [Markdown](/convert/markdown) 做结构化保存。
这条路径的好处是，每一步目标都很清楚，不会把 OCR 这一步承受的期待拉得过高。
另一条高频工作流：扫描报表、票据与台账进 Excel
表格型文件是另一个高频场景。许多人直接把扫描表格丢给 Excel 转换工具，结果往往不满意，原因并不是 Excel 工具本身不行，而是源文件仍然只是图片。
更稳的顺序通常是：先 OCR，再 [转 Excel](/convert/excel)。这并不意味着 OCR 后表格就一定完美，而是它能先把很多原本完全不可解析的单元格、数字和表头关系变成“至少有机会被识别”的状态。
做这一类任务时，建议把验收重点放在三件事上：表头是否正确、列关系是否串位、关键数字有没有明显错误。只要这三点稳住，后面人工微调的成本就不会太夸张。
pdfClaw 的 OCR 更适合放在什么位置
把它理解成一条更长文档工作流里的“前置站点”，会比把它理解成孤立工具更准确。
当文件是扫描件时，先在这里做 OCR；如果后续需要编辑，就去 Word；如果后续需要抽表，就去 Excel；如果后续要做知识库，就去 Markdown；如果文件太大或图像太重，就先压缩再试。
也就是说，OCR 不一定是终点，但它往往是把扫描文档拉回到“可继续处理”轨道上的第一步。
真实失败场景里，OCR 往往不是“识别错了”这么简单
用户口中的“识别失败”，实际往往分成几种完全不同的问题。
第一种是内容识别对了，但阅读顺序不对。典型表现是双栏材料、图文混排报告、脚注很多的学术页。文字本身没太大问题，可一旦复制出来，顺序就乱了。这个时候你不能简单地说“工具不准”，而应该把问题归类为版面解析风险，然后决定是分栏处理、拆页处理，还是只提正文。
第二种是正文识别对了，但关键字段错了。金额、日期、账号、合同主体、表头、编号、规格参数，这些位置的一个小错误，价值上远大于正文里一两个普通错字。很多人抽查三段正文觉得“整体不错”，结果真正影响业务的地方恰好没看。
第三种是文字层已经生成，但后续链路接不上。比如 OCR 后虽然能搜索，但转 Word 仍不理想；或者 OCR 后正文基本可用，但表格一转 Excel 就串列；又或者 OCR 后文档可以复制，却不适合直接拿去做知识库。问题不一定出在 OCR 本身，而是你对下游目标的预期没有提前定义清楚。
所以，一个成熟的 OCR 流程不是“识别成功/失败”二元判断，而是要知道失败具体发生在哪一层：字符识别、版面顺序、关键字段、下游衔接，还是验收方式本身。
隐私、合规与留痕：哪些文件不要只想着“能不能识别”
对很多团队来说，OCR 不只是效率工具，也涉及流程责任。
如果文档里有合同主体信息、身份证件、银行流水、发票、报价、病历、未公开产品方案、内部流程制度，是否能上传到在线服务，往往不是个人喜好问题，而是组织规范问题。你应该先确认三件事：
对轻量办公场景来说，明确的自动删除策略、无需注册、处理链路简洁，已经能覆盖大多数需求。但如果你处在法务、财务、投融资、医疗、政务或大型企业环境，就应该把 OCR 看成一条受控流程，而不是一次随手上传。
一个很实用的原则是：原件永远保留，OCR 版本作为工作稿；需要进入正式系统、被再分发、被引用或被复用的内容，必须经过抽查与留痕。这样做看起来更慢，但会让你以后更容易解释“这份内容从哪里来、有没有被改动、能不能继续往下用”。
如果团队要把 OCR 变成日常动作，建议直接写成 SOP
个人使用时，很多步骤靠经验就能完成；团队使用时，如果不写 SOP，质量会很快漂移。
一份可执行的 OCR SOP 不需要很长，但至少应包含下面几项：
- 敏感度规则：哪些文件允许在线，哪些必须本地或私有化。
- 预处理规则：倾斜、阴影、底色、超大文件、表格页如何处理。
- 验收规则：合同看哪些字段，财务件看哪些数字，研究文档看哪些结构。
- 下游规则：什么时候转 Word，什么时候转 Excel，什么时候转 Markdown，什么时候只保留可搜索 PDF。
这样做的好处不是“流程更正式”，而是减少经验只掌握在某一个同事手里的问题。尤其是行政、运营、客服支持、研究助理这类岗位，文档处理往往跨人交接频繁。只要 SOP 明确，哪怕不是最资深的人，也能交出稳定结果。
OCR、Word、Excel、Markdown 之间，应该怎么选下一步
很多团队的问题不是“会不会 OCR”，而是“做完 OCR 以后应该去哪”。
如果目标是继续改正文、批注、套模板、发给非技术同事协作，那下一步通常是 [PDF 转 Word](/convert/word)。Word 的价值在编辑，不在识别，所以让 OCR 先解决文字层，再让 Word 解决协作层，是更自然的分工。
如果目标是抽表格、核数字、建台账、做透视、做汇总，那下一步更适合是 [PDF 转 Excel](/convert/excel)。别把 OCR 后的整页文本直接塞进表格流程，那样往往只会增加清洗成本。
如果目标是知识库、文档站、RAG、资料切片、结构化沉淀，那下一步通常是 [PDF 转 Markdown](/convert/markdown)。Markdown 的优势不在“轻”，而在于它让标题层级、列表、表格和图片引用这些结构变得明确，后续更适合被机器和人一起消费。
如果目标只是归档、检索、快速引用，那可搜索 PDF 本身就可能已经够了。不是所有 OCR 结果都必须再转一次别的格式，关键看后续动作是什么。
给产品、运营和内容团队的一个更现实建议
不要把 OCR 当成功能点去理解，而要把它当成“恢复文档可操作性”的能力。
一份扫描件只要还是图片，团队就只能围绕它做低效率动作：截图、手打、复制失败、搜索失败、重录数据、反复确认。OCR 的价值，是让这些动作重新变成高效率动作：搜索、复制、摘录、转换、归档、结构化、问答、复用。
这也是为什么 OCR 常常不是最终被用户记住的功能，却是整个 PDF 工作流里非常关键的一层。用户未必会说“我今天要做 OCR”，但他们会说“我想改这个文件”“我想查这段条款”“我想把这份扫描表格拉到 Excel”“我想把归档资料接到 AI 问答”。这时，OCR 就是那条必须先跨过去的桥。
使用前后的自检清单
为了避免“做完了但不知道结果能不能用”，可以直接套用下面这份清单。
处理前检查：
处理后检查：
- 标题、金额、日期、主体名、表头这些高风险位置是否正常？
- 如果后续要转 Word / Excel / Markdown，抽一页试跑结果是否顺畅？
这份清单不复杂，但能显著降低“带着问题继续往后走”的风险。
常见问题
OCR 后为什么看起来还是原来的扫描图？
这是正常的。很多 OCR 输出的是“原图 + 隐藏文字层”，视觉上几乎不变，但已经可以搜索和复制。它的价值不在于页面长得不同，而在于文档变得可读可处理。
OCR 后能直接编辑吗？
如果你要的是“继续修改正文”，通常还需要再转 [Word](/convert/word)。OCR 先解决识别问题，Word 再解决编辑问题，这两步的目标不一样。
扫描表格可以直接变成 Excel 吗？
更稳的做法是先 OCR，再 [转 Excel](/convert/excel)。直接从扫描图里抽表格，通常会更容易串列。
扫描件做知识库，为什么推荐 Markdown？
因为 [Markdown](/convert/markdown) 更适合保留标题、列表、表格和图片引用这类结构信号。先 OCR，再转 Markdown，后续的 RAG、检索和问答会更稳。
文件很大时怎么办？
如果上传与处理明显吃力，可以先尝试 [压缩 PDF](/convert/compress)。但别把压缩开得太激进，过度压缩会伤到文字边缘，反而影响 OCR。
什么时候必须人工复核？
只要文档涉及金额、日期、主体名称、账号、税率、签章页、专业术语、复杂表格，这些位置都建议人工抽查。OCR 可以显著减轻工作量，但不应该代替关键字段核验。
最后的判断标准：这份扫描件现在有没有“变得可用”
判断 OCR 是否值得，不必纠结于“是不是完全无错”。更实用的问题是：这份文件现在能不能支撑你下一步工作。
如果它已经能被搜索、能摘录关键条款、能继续转 Word、能继续转 Excel、能继续转 Markdown、能进入归档和知识库流程，那它就已经从“锁住的图片”变成了“可处理的文档”。
这就是 OCR 在真实工作里的意义。不是把每个字符都雕刻到极致，而是把扫描件重新拉回到一个可以继续协作、继续分析、继续复用的状态。对大多数团队来说，这一步一旦稳定下来，后面的文档效率会持续变好。