扫描版 PDF 变可搜索文档：PdfCraft OCR 完整教程

2026/10/31 1:45:15

扫描版 PDF 变可搜索文档：PdfCraft OCR 完整教程

【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

扫描件里的字选不中、搜不到、复制不了，这是纸质档案数字化后最常见的糟心事。PdfCraft 的Scan & OCR（扫描与OCR）功能把扫描版 PDF 变成可搜索、可复制的文档，免费、离线运行，识别结果还能随时撤销。

功能速览

项目	说明
输入类型	扫描版、纯图片的 PDF 页面
输出方式	Searchable Image (Exact)：每个单词上方写入不可见文本层，原图一个像素都不动
运行环境	识别模型装在本地，全程在你的机器上完成，不上传任何文件
语言支持	目前仅拉丁字母（English / en）⚠️
撤销	识别结果是一步可撤销编辑，Ctrl+Z 整体回退

工作原理

可以把 PDF 页面看成两层：底下是图，上面是字。扫描件的“字”只是像素，所以选不出来。PdfCraft OCR 做的事情，相当于在图上盖一层看不见的字：模型找出每个单词的位置和内容，然后在每个单词上方写入一层不可见文本（PDF 渲染模式 3）。原图保持原样，页面从此能搜、能选、能被屏幕阅读器朗读。这套做法与 Acrobat 的 “Searchable Image (Exact)” 一致。

实现上，核心识别在 crates/ocr/src/lib.rs，页面渲染与文本层写入逻辑在 crates/engine/src/ocr.rs。

一次性准备

识别依赖两个本地模型：文字检测 + 文字识别，只需获取一次。

在仓库根目录运行cargo xtask models，模型会下载到assets/models/；
也可以把模型文件放到任意目录，再设置环境变量PDFCRAFT_MODELS指向它。

模型文件名为text-detection.onnx与text-recognition.onnx（旧版.rten同样名文件也能被识别）。应用会自动找到完整的一对。

⚠️ 目前模型只读拉丁字母（英语等无重音拉丁文），中文、日文扫描件暂不适用。

单文件实操

开始识别与选页

打开 PdfCraft，载入你的扫描件。在左侧工具栏点进Scan & OCR，进入Recognize Text（识别文本）对话框，界面逻辑在 crates/ui-egui/src/workflows/ocr_ui.rs。

先选识别范围，共三个选项：

页码范围	含义
All pages	全部页面
Current page	仅当前页
From X to Y	指定页码范围

💡 小文档可以先只跑当前页，效果满意再跑全文。

参数与进度

参数一共三处，默认值就能用：

参数	说明	建议值
Document language	文档语言	English（en）
Output	输出方式	Searchable Image (Exact)，原图不变
Downsample to	页面渲染分辨率	默认 300 dpi；模糊扫描件可提到 600 dpi

点Recognize text开始。识别在后台线程运行，界面提示“第 X 页 / 共 Y 页”的进度，中途可点Cancel取消，已识别的页面会保留。速度大约每秒一页。完成后提示“识别了 N 个单词 / M 页”，结果作为一步可撤销的编辑写入文档，Ctrl+Z 即可回退。

效果验证

打开顶部搜索框，输入刚才看过的某个关键词：原本搜不到的扫描件，现在能高亮定位每一处匹配位置。用鼠标在页面上拖一下，选中的是真正的文字，可以直接复制，而不是一张图。

整份文档的排版与图像质量保持不变，识别后照常加注释、导出都行。

批量与自动化

手头的扫描件不止一个？同一入口下还有“识别多个文件中的文本”功能：选好文件夹后，PdfCraft 逐个识别每个 PDF，以同名文件写出可搜索版本，最后汇总“在 N 个文件中识别了 M 个单词”。批量逻辑在 crates/ui-egui/src/workflows/ocr_ui.rs，底层单文件函数recognize_file位于 crates/engine/src/ocr.rs。

除了图形界面，PdfCraft 还向脚本和 Agent 暴露了三个 OCR 命令（工具定义在 crates/automation/src/tools.rs）：

命令	作用
`ocr.recognize`	对当前文档执行识别
`ocr.recognize_batch`	多文件批量识别，输出到指定文件夹
`ocr.status`	查询模型是否已安装、支持哪些语言

避坑清单

现象	原因	处理
提示 “Text recognition isn't installed”	模型文件缺失	重装 PdfCraft，或设置`PDFCRAFT_MODELS`指向模型目录
完成后提示“N 页已有文字”	默认跳过已含真实文字的页面，避免重复识别	正常行为；确需重扫可勾选 “Also recognize pages that already have text”
识别结果不满意	误识别或参数不合适	Ctrl+Z 整体撤销，或只选指定页码范围重跑
中文页面识别为空	当前模型只读拉丁字母	暂不支持，可留意 ROADMAP
模糊扫描件识别率低	渲染分辨率偏低	Downsample to 调到 600 dpi 再试