让扫描件可搜索

扫描 PDF 是页面的图片。你没法搜索它、选中它的文字、从里面复制内容，因为字是像素而不是字符。让它可搜索意味着把一件事做好：在图像之上加一层文字，在设备上识别文字，然后验证结果——因为识别是概率性的，验证才是一件扫描件究竟是可搜索、还是只是自称可搜索的区别所在。

这件工作的顺序

1. 先修整画面。 增强扫描件清晰度——浏览器内运行，免费——把倾斜的页面校直、把对比度拉匀。花不了多少时间，却是决定下一步识别质量的最大因素：识别质量跟随输入质量。

2. 在设备端识别文字。 OCR 识别 PDF——设备端识别，免费、不上传——逐页读取并就地加上文字层。全程不传输任何内容，文件在你自己的机器上变成可搜索。

3. 验证。 搜索一个文档里必然存在的词；选中一行文字；复制一句话并与页面比对。如果搜索找不到、复制的文字读起来不对，问题在源文件质量——重新扫描或重新修整，而不是在同样的像素上再跑一遍。

两个后续决定，本栏目其他篇目里有讲：

手写文字能识别吗？ 不能。识别能可靠恢复的是印刷与打印文字；手写页面仍然是图片。任何承诺对整页手写文字也能做到的工具，都在过度承诺。

语言呢？ 识别覆盖设备端引擎支持的语言，混排多语言的页面比单语言页面更难。如果某页结果不好，先检查原件是否干净清晰，再怪这一步。

为什么我能看见文字却搜不到？ 你看到的是图像而不是文字层——而这正是本篇要终结的状态。

扫描件在文字层为真时才真正可搜索，为真的意思是验证过：搜索它、选中它、复制它。修整画面、设备端识别、用搜索确认——扫描件就此从图片变成文档，全程没有被上传。

准备好让手上的文件可搜索吗？先用增强扫描件清晰度修整画面——浏览器内运行，免费——再用 OCR 识别 PDF做设备端识别，不上传。搜索一个必然存在的词，复制一行做检查。结果太重？识别之后再压缩图片处理源图；要保存多年？用把 PDF 转成 PDF/A。