扫描件、图片型 PDF 也能取字。用 PP-OCRv5 在浏览器里逐页识别,中英混排和表格数字都认得出来,文件不上传。
拖入 PDF,或点这里选择
单个文件,最大 50 MB。识别全程在本机浏览器里完成。
扫描件的每一页都是一张图片,文件里一个字符都没有。这不是"提取失败",是这份 PDF 本来就没有字可提。要拿到文字,只能真的去看像素——先用检测模型找出哪儿有字,再用识别模型把每个框读成字符。这一页做的就是这件事。
用的是 PaddleOCR 第五代移动版(PP-OCRv5 mobile)的两个 ONNX 模型,检测 5 MB、识别 16 MB,加上 12 MB 的推理运行时,第一次打开要下载二十几兆,之后走浏览器缓存。识别本身不联网,文件也不上传——服务端没有接收 PDF 的接口。
检测模型(det)吃整页图,吐出一张四分之一分辨率的概率图,亮的地方代表"这里像文字"。把概率图二值化、找出连通块、再按 DB 算法把框外扩一圈,就得到一个个文字框。识别模型(rec)接过每个框,把里面的行缩放到 48 像素高,逐字符输出,最后用 CTC 解码成字符串。
最要紧的是字高。识别模型按 48 像素高的行训练,字太小就要放大,放大就糊,糊了就认错。这也是为什么页面上给了一个清晰度选项:200 dpi 下 10 pt 的字约 28 像素,300 dpi 约 42 像素,后者明显更接近模型想要的样子。
其次是倾斜和噪点。轻微扫描歪斜能忍,超过几度就开始掉字;复印三四遍的灰底、装订线附近的阴影,都会让检测框变得零碎。这些是模型本身的边界,不是调参数能解决的。
发票、合同、病历、身份证——最常需要 OCR 的恰好是最不该上传的东西。放到浏览器里做,文件从磁盘到识别结果全程不离开这台机器,也就没有"服务器会不会留底"这个问题。顺带没有次数限制、没有排队、断网也能用。
输出是纯文本,按行排列:表格会变成一串按阅读顺序的文字,列与列不再对齐;分栏的报纸杂志可能左右栏交错;页眉页脚会混在正文里。要保留版式的,应该走 PDF 转 Word,而不是 OCR。
空白页会返回空结果,页面上会把这些页码列出来。字太淡、太小、被水印盖住的页也一样——可以单独把这几页挑出来,用 300 dpi 重跑一次。