免费 OCR——图片文字提取器

操作示例

拿一张 A4 页面的扫描件，大小为 2,480 × 3,508 像素（300 dpi）。保持“图片语言”为英语，点击“提取文字”，工具会先在缩小到 672 × 960 像素的副本上查找文字，再从 1,357 × 1,920 的副本中逐行读取。完成后，各个卡片会显示“置信度”“行数”“单词数”和“字符数”。如果选择“可搜索 PDF(.pdf)”，会得到名为 “scan_ocr.pdf” 之类的文件：原始图像铺在约 595 × 842 点（A4 大小）的页面上，识别出的文字则不可见地叠加在上方。首次使用时，拉丁字母包为 7.7 MB，共用检测器为 11.1 MB，模型合计 18.7 MB。如果改为放入一份 10 页的扫描版 PDF，页面会显示“10 页 · 在此设备上约需 5 分钟”，这是按每页 30 秒做出的初步估计。

使用哪些设置，以及限制

• 先选好图片语言，再点击“提取文字”。 “图片语言”菜单按书写系统分组列出 51 种语言，每个分组标题都会显示下载大小，例如“拉丁字母 — 7.7 MB”或“中文和日文 — 15.9 MB”。同一分组内的语言共用一个下载包，所以从法语切换到波兰语不需要再下载。韩语、阿拉伯语、天城文、泰语、希腊语、泰米尔语和泰卢固语各自需要单独的语言包。菜单默认选中您的页面语言，之后会在此浏览器中记住您上次的选择。不支持希伯来语，页面会提示“这个引擎不支持希伯来语。”
• 拖入、粘贴或批量添加文件。 工具支持 JPG、PNG、WebP、BMP 和 PDF 文件，也可以用 Ctrl+V 粘贴截图。一次拖入多个文件，或使用“添加更多文件”，它们会进入队列，并以相同的语言依次识别。在队列中，您可以在“将每个文件另存为”里选择“纯文本（.txt）”或“可搜索 PDF(.pdf)”，菜单中还有“下载合并后的单个 .txt”。超过 4,000 万像素的图片会被拒绝，例如大于 8,000 × 5,000 像素的图片。
• 选择符合您需求的导出格式。 “导出格式”提供“纯文本（.txt）”“可搜索 PDF(.pdf)”和“hOCR 可搜索文本（.html）”。图片默认选中纯文本，PDF 默认选中可搜索 PDF。可搜索 PDF 会原样保留页面的原始图像，并在上方叠加不可见的文字，因此您可以在 PDF 阅读器中搜索、选择和复制。hOCR 仅适用于单张图片。它会保留每一行的位置，但以正放的矩形表示，所以倾斜的行会丢失倾斜角度。文件名形如 “scan.txt”“scan_ocr.pdf” 和 “scan.hocr.html”。
• 扫描版 PDF 每页约需 30 秒，并可使用“停止并保留”。 开始之前，PDF 会显示按每页 30 秒估算的时间。从第二页起，进度条会改为按您自己设备实测得出的“大约剩余 N 分钟”，同时出现类似“停止并保留前 3 页”的按钮。点击它会结束运行并保留已完成的页面，结果中会注明“已提前停止：文字和可搜索 PDF 涵盖第 1–3 页，共 10 页。”已包含真实文字的页面会保持原样，并注明“此页面已包含文字，因此保持原样。”受密码保护的 PDF 会被拒绝。
• 给检测器一张清晰、靠近文字的照片。 文字是在您图片的副本上查找的，该副本的长边最多 960 像素，且小图片不会被放大。因此，从远处拍摄整页内容时，每个字母的细节很少。请裁剪出需要的文字部分，在光线均匀的条件下正对着拍摄。识别器打分低于 50% 的行会被丢弃。运行之后，“显示检测到的文字框”会在预览上画出文字框，让您看到找到了哪些行。页面本身也提醒，手写体的识别效果仍然较差，非常小或对比度低的印刷文字可能会被漏掉。
• 了解哪些内容会下载，哪些内容不会离开您的设备。 首次运行会下载共用的检测器和方向模型（合计 11.1 MB）以及适用于您所用文字的语言包，页面会在开始之前说明这次一次性的下载量。它还会获取共用的 ONNX Runtime 引擎文件，该文件已计入上述数字，除非本站的其他设备端工具已经缓存过它。此后模型会保留在浏览器缓存中，页面会显示“模型已经下载过了，无需再次获取。”页面上的模型说明指出，模型文件从本站自己的服务器下载，您的文件绝不会被上传。如果想收回空间，可以使用带有大小提示的“删除已下载的模型”。

常见问题及解决方法

提示“无法读取这张图片。请试试 JPG、PNG 或 WebP 文件。”，并且“提取文字”呈灰色。

浏览器无法将该文件解码为图片。文件可能已损坏，或者是另一种格式却被存成了 JPG 或 PNG 的文件名。该文件的按钮会保持禁用，以免再次失败；请把它移除，再添加另一个文件。您可以将图片重新保存为 JPG、PNG 或 WebP，或者为它截图后粘贴截图。打不开的 PDF 会提示“无法将此文件作为 PDF 读取。文件可能已损坏，或根本不是 PDF。”

提示“OCR 失败”。

运行在完成之前就停止了。一个原因是设备端引擎在 180 秒内没有任何进度信号，页面会将其判定为卡住。这个计时只统计标签页处于可见状态的时间，所以长时间运行期间请让该标签页保持在前台。失败之后，工具会丢弃其后台线程，所以再次点击“提取文字”会重新启动一个新的线程。如果一直出现，请裁剪或缩小图片，把 PDF 分成较小的部分来识别，或换用桌面浏览器。

提示“未找到文字。请试试更清晰的图片，或文字与背景对比度更高的图片。”

检测器没有找到识别器至少有 50% 把握的文字行。请先检查“图片语言”，因为每个语言包只针对一种书写系统，拉丁字母包不适合阿拉伯语、泰语或中文。然后裁剪出文字部分，提高对比度，并把照片摆正。手写体也可能出现这种结果。对于 PDF，只有在没有任何一页识别出文字时才会出现这条提示，所以每一页都已有真实文字的 PDF 会得到文字，而不是这条提示。

模型框提示“下载已中断，请检查网络连接后重试。”或“您的设备已开启流量节省模式，因此下载尚未开始。”

无法获取识别器文件。请检查网络连接并点击“重试”；如果出现流量节省模式的提示，请关闭流量节省或切换到 Wi-Fi。下载停滞会另外单独提示。在开始下载之前，您的图片就已完成解码，因此无法读取或尺寸过大的文件绝不会白白消耗一次下载。如果提示框说设备内存不足，或浏览器版本过旧，请使用桌面电脑，或使用最新版的 Chrome、Edge、Firefox 或 Safari。

提示“这张图片太大，无法在浏览器标签页里处理（上限 40 百万像素）。请缩小后重试。”或“此 PDF 中有一页过大，无法在浏览器标签页中渲染。”

这张图片超过 4,000 万像素，超出了浏览器标签页能够安全处理的范围。该检查在任何下载之前进行。请在任意图片编辑器中缩小或裁剪后重新添加，或者用较低的相机分辨率拍摄。1,200 万像素的手机照片完全在限制之内。对于 PDF，这条提示意味着有一页大得离谱，宽度达到许多英尺。请先以较小的页面尺寸导出它。在队列中，该文件会显示“图片太大，无法读取”。

对比分析

如果 PDF 本身已有可选择的文字，就完全不需要 OCR：工具会自动识别这一点，并保持这些页面原样。对于扫描件和照片，这里的识别在您的处理器上运行，所以内容密集的页面大约需要 30 秒，手机会更慢，而其他 OCR 软件可能更快。此工具会找出文字行并按阅读顺序返回，不会重建表格、分栏或字体，因此双栏页面可能会把两栏的行混在一起。它换来的好处是：可输出可搜索 PDF、支持 51 种语言，并且文件不会被上传。