要点速览
- 文本型 PDF 可直接复制文字，不需要 OCR
- 扫描型 PDF 每页是图片，必须用 OCR 识别
- 判断方法：尝试用光标选中文字，能选中即为文本型
- 把 PDF 页面导出为 PNG 或 JPG 后上传识别
支持的图片格式与识别参数
| 项目 | 说明 |
|---|---|
| 支持格式 | PNG、JPG、JPEG、BMP、WebP |
| 单文件上限 | 10MB |
| 参考耗时 | 约 5 秒 |
| 识别语言 | 中文、英文 |
| 输出方式 | 复制到剪贴板、导出 TXT |
| 需先转换 | HEIC、TIFF、GIF 需另存为 PNG 或 JPG |
先判断你的 PDF 是哪一类
很多人拿到 PDF 第一反应是找转换工具，其实先花十秒判断类型能省掉很多无用功。用阅读器打开文件，尝试用光标划过一段文字：如果能选中并复制，说明这份 PDF 内部存的是文字数据，直接用阅读器的复制功能就能拿到内容，不需要任何识别。
如果怎么划都选不中，或者选中的是一片空白，说明这份 PDF 的每页都是扫描或拍照生成的图片。这类文件才是真正需要 OCR 的。
两类 PDF 的处理路径
| 类型 | 特征 | 处理方式 |
|---|---|---|
| 文本型 PDF | 可选中、可搜索文字 | 阅读器直接复制，或用导出功能 |
| 扫描型 PDF | 整页是图片，无法选中 | 导出为图片后做 OCR 识别 |
| 混合型 PDF | 部分页可选中 | 可复制的直接复制，其余页走识别 |
扫描型 PDF 怎么识别文字
导出的图片分辨率建议控制在 2000 像素宽左右。太低会导致小字识别不清，太高则文件体积大、上传慢，收益并不明显。
- 用 PDF 阅读器把页面导出为 PNG 或 JPG 图片
- 单张图片控制在 10MB 以内，过大时先压缩
- 打开拾文雀，选择「图片文字提取」上传
- 识别完成后按页码顺序保存并拼接文本
常见问题的处理
页数很多的扫描件，建议分组处理。按章节或按十页一组导出图片，边识别边核对，比一次性导出上百张图片更好管理，也能避免中途出错要全部重来。
如果 PDF 页面带有倾斜，导出图片后先做一次纠偏。扫描件的倾斜通常来自装订或进纸，角度不大但足以影响识别质量。
带有大量表格的 PDF 是另一个难点。表格里的文字能识别，但行列结构不会保留，识别后需要在表格工具里重建。如果表格结构比文字内容更重要，OCR 的帮助有限。
带印章、手写批注的扫描件，这部分内容识别不稳定，建议识别后单独人工补录。
文字识别之外的选择
如果你的目标是"把 PDF 变成可编辑的 Word 文档"，OCR 只是其中一步。识别出文字之后，还需要重新排版、恢复样式、重建表格，工作量往往超过识别本身。这种情况要在开始前想清楚值不值。
如果目标只是"能在文档里引用其中的内容"，识别出文字就够了。多数办公场景属于后者，明确这一点可以省下大量时间。
素材里如果还包含音视频内容，可以在拾文雀的工作台里分别处理：文档截图走图片识别，录音材料走录音转文字，输出格式统一便于归档。
文档电子化的优先级怎么排
需要处理的 PDF 往往不止一份。与其按照拿到文件的顺序处理，不如先按使用频率排个优先级：经常要查阅引用的先做，一次性归档的放后面。
另一个排序维度是处理难度。文字清晰、结构规整的文档先做，能快速积累可用的文本资料；排版复杂、带表格和图表的放后面，处理它们需要更多时间，放在精力集中的时段做。
每完成一批做一次记录，写清楚处理了多少页、花了多少时间、遇到什么问题。做多了之后，这些记录能帮你准确预估新任务的耗时，不至于接了一堆活才发现做不完。
常见问题
为什么我的 PDF 复制不出文字？
说明这份 PDF 是扫描型文件，页面内容是图片而不是文字层。需要先把页面导出成图片，再用 OCR 识别。
PDF 转文字会保留排版吗？
不会。识别输出的是纯文本，段落、字体、表格结构都会丢失，需要人工重新整理。
PDF 页数很多怎么办？
建议按章节或按固定页数分组导出图片，分批识别和核对。一次处理太多页容易出现中途出错、难以定位的问题。
PDF 里的表格能提取成表格吗？
表格内的文字能识别，但行列关系无法自动还原。需要结构化数据时，识别后要在表格软件里手工重建。