PdfCraft OCR 教程：把扫描版 PDF 免费变成可搜索文本
【免费下载链接】pdfcraftPdfCraft: An open-source PDF reader and editor written by scratch in pure Rust项目地址: https://gitcode.com/gh_mirrors/pr/pdfcraft
扫描件里的文字选不中、搜不到，用 PdfCraft 的 OCR 识别功能就能把它变成可搜索、可复制的文本文档。识别模型全部在本地运行，免费且离线，文件不会上传到任何地方；原始扫描图像保持逐像素不变，只在每个单词上方写入一层不可见文本，页面从此可以全文检索、复制、被屏幕阅读器朗读。
适用场景
- 扫描版 PDF 本质上是一张图片，文字无法选中、复制，更无法搜索；
- 纸质档案数字化后批量生成扫描件，需要逐个变成可检索文档；
- 已有文本的页面想叠加识别、或想跳过已有文字的页面只处理纯图页面。
环境准备
- 安装并运行 PdfCraft 桌面版（发布包已内置识别模型，可跳过第 2 步）。
- 源码构建需先下载模型：在仓库根目录运行
cargo xtask models，模型会进入assets/models/。 - 也可手动放置模型后，设置环境变量
PDFCRAFT_MODELS指向模型目录；目录里需包含text-detection.onnx与text-recognition.onnx（旧版.rten文件同样可用）。 - ⚠️ 模型只读拉丁字母（当前仅 English），中文扫描件暂不适用，CJK 语言支持已列入 ROADMAP。
核心操作流程
打开扫描件并跑通首次识别
- 打开扫描版 PDF，进入 All tools，点击左侧工具列表里的Scan & OCR，进入 Recognize Text 对话框。
- 页面范围选 Current page 先试一页，效果满意再跑 All pages；需要指定区间就选 From 到 X / to Y。
- 参数区确认 Document language（English）、Output（Searchable Image (Exact)）、Downsample to（300 dpi），点击Recognize text。
- 识别在后台线程运行，界面显示"第 X 页 / 共 Y 页"的进度，随时可取消，已识别的页面会保留；速度约每秒一页。
- 完成后提示识别出的单词数和页数，整个结果作为一步可撤销的编辑写入文档，Ctrl+Z 可整体回退。
一次搞定批量识别多个文件
- 在 Scan & OCR 里选择"Recognize text in multiple files"：挑好要处理的 PDF，再选定一个输出文件夹。
- PdfCraft 会逐个识别每个文件，并按同名文件写出可搜索版本（原文件不动），最后汇总"在 N 个文件中识别了 M 个单词"。
- 脚本化场景：
pdfcraft-cli的 batch 命令可递归处理整个文件夹，例如pdfcraft-cli batch scans --root . --recursive --steps ocr --out-dir searchable，输出独立 PDF 和 JSON 报告，源文件不被修改。 - 自动化/Agent 侧暴露了
ocr.recognize（对当前文档识别）、ocr.recognize_batch（多文件批量输出到指定文件夹）、ocr.status（查询模型是否安装及支持语言）三个工具，定义见 crates/automation/src/tools.rs。
参数说明
对话框和 CLI 里可调的参数不多，默认值对大多数扫描件直接够用，按需调整即可：
| 参数 | 作用 | 推荐值/备注 |
|---|---|---|
| Pages | 识别哪些页面 | 小文档先试 Current page；批量用 All pages |
| Document language | 文档语言 | 目前仅en（English） |
| Output | 输出方式 | Searchable Image (Exact)，图像不变 |
| Downsample to | 渲染分辨率（dpi） | 默认 300；模糊扫描件调到 600 |
| Also recognize pages that already have text | 是否也识别已有文字页面 | 默认关闭；勾选后页面内图片也会被识别，且不会把页面已有文字重复添加 |
补充一点：dpi只影响识别时的渲染精度，扫描页实际会按"自身分辨率与所选 dpi 的较低者"读取，选更高不会放大糊字；参数结构定义在 crates/engine/src/ocr.rs。
效果验证
打开顶部搜索框输入关键词，原本搜不到的扫描件现在能高亮定位每个匹配位置。再用鼠标框选一段文字复制、粘贴到别处，能带出正常文本即成功。页面图像应与处理前完全一致，逐像素没有变化；若不放心，先只识别当前页，对比前后效果再决定是否跑全文。
常见问题排查
- 提示"Text recognition isn't installed"：模型文件缺失。重装发布包，或运行
cargo xtask models，或用PDFCRAFT_MODELS指向模型目录。 - 中文/日文扫描件识别效果差：当前模型只支持拉丁字母，CJK 语言支持已在 ROADMAP 中，暂不可用。
- 部分页面被跳过（N pages already had text）：默认跳过已含可渲染文字的页面，属正常保护行为；如需识别这类页面上的图片文字，勾选"Also recognize pages that already have text"。
- 识别结果有误：结果是一步可撤销编辑，Ctrl+Z 整体撤销后，可只识别指定页码范围重新尝试。
- 识别中断了怎么办：运行中随时可取消，已识别的页面保留；重跑时已有文字的页面会被自动跳过，不会重复叠加。
全程离线、免费，识别后文档保持原有排版与图像质量，即可搜索、复制、朗读。纸质档案数字化后，顺手再用pdfcraft-cli batch --steps ocr,optimize把可搜索版本压缩一遍，就是完整的归档流水线。
【免费下载链接】pdfcraftPdfCraft: An open-source PDF reader and editor written by scratch in pure Rust项目地址: https://gitcode.com/gh_mirrors/pr/pdfcraft
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
