如何使用 Umi-OCR 从扫描版 PDF 中提取文字
了解如何使用 Umi-OCR 从扫描版 PDF 文档中提取文字、创建可搜索的双层 PDF，以及高效批量处理多个文件。
扫描版 PDF 文档本质上是包裹在 PDF 容器中的图片。与可以直接选中和复制文字的普通 PDF 不同，扫描版 PDF 需要借助 OCR 技术来提取文字内容。Umi-OCR 为此提供了强大、免费且完全离线的解决方案。
理解扫描版 PDF
当纸质文档被扫描后，每一页的结果都是一张图片。这些图片通常以 PDF 格式保存以方便管理，但你看到的"文字"实际上只是图片中的像素。这意味着你无法搜索关键词、选中段落或直接复制内容。
在办公室、学校和档案馆中，大量纸质文档已经数字化，但仍然无法搜索——这是一个常见的困扰。OCR 通过分析图像并识别其中的文字来弥补这一差距。
分步指南：从 PDF 中提取文字
以下是使用 Umi-OCR 从扫描版 PDF 中提取文字的步骤：
1. 打开 Umi-OCR，导航到"批量处理"标签页。
2. 将 PDF 文件拖拽到文件列表区域，或点击添加按钮浏览选择文件。
3. 软件会自动检测输入是 PDF 并提供相应的处理选项。
4. 选择你需要的输出格式。你可以将文字导出为纯文本文件（.txt），也可以创建可搜索的双层 PDF——识别出的文字作为不可见层嵌入到原始扫描图片下方。
5. 点击开始按钮开始处理。
对于每一页，Umi-OCR 会提取图像、执行 OCR 识别，并根据你选择的输出格式整理结果。
创建可搜索的双层 PDF
Umi-OCR 最有价值的功能之一是创建双层 PDF。原理很简单：
• 顶层包含原始扫描图像，完整保留文档的原始外观。
• 底层包含识别出的文字，位置与上方图像中的文字精确对齐。
最终得到的 PDF 看起来与原始扫描件完全一样，但你可以搜索文字、选中和复制段落，甚至使用屏幕阅读器等辅助工具。这是专业文档数字化管理的标准做法。
批量处理多个 PDF
如果你有一批扫描版 PDF 需要处理，Umi-OCR 支持批量操作。只需将所有文件添加到处理队列——你可以将整个文件夹拖入界面。软件会依次处理每个文件，对所有文件应用相同的输出设置。
这对于需要对数十甚至数百个文档进行 OCR 处理的数字化项目特别有用。你可以启动批量任务，去做别的事情，回来时所有文件都已处理完毕。
获得最佳结果的技巧
OCR 结果的质量很大程度上取决于原始扫描件的质量。以下是确保最佳结果的建议：
• 扫描分辨率设为 300 DPI 或更高。分辨率过低会导致小字难以识别。
• 确保页面对齐平直。严重倾斜的页面可能降低识别准确率。
• 对于包含混合内容（文字、表格、图片）的文档，Umi-OCR 会自动进行版面分析，但排版越整洁效果越好。
• 如果原始文档使用了特殊或装饰性字体，识别准确率可能低于标准字体。
• 对于老旧或退化的文档，建议在 OCR 处理前调整图像对比度。
支持的语言
Umi-OCR 支持超过 100 种语言的文字识别。默认安装包含最常见语言的模型。如果需要识别其他语言的文字，可以从设置面板下载并安装相应的语言包。
对于包含多种语言的文档（例如中文文档中夹杂英文引用），OCR 引擎会自动处理混合语言内容，无需手动配置。
与在线 PDF OCR 服务的对比
很多网站提供在线 PDF OCR 服务：上传 PDF，等待处理，然后下载结果。虽然对一次性任务来说很方便，但这种方式有明显的缺点：
• 你的文档被上传到第三方服务器，对于敏感内容来说是重大的隐私隐患。
• 文件大小限制通常会限制你能处理的内容。
• 处理速度取决于服务器负载和你的网络连接。
• 大多数服务有使用量限制或需要付费。
Umi-OCR 通过在本地处理一切来避免所有这些问题。没有文件大小限制，没有上传等待时间，没有隐私顾虑，也没有费用。
总结
从扫描版 PDF 中提取文字不必复杂或昂贵。Umi-OCR 提供了简单、强大且完全免费的解决方案，在你自己的电脑上运行。无论是要让单个文档变得可搜索，还是处理整个扫描文档档案，它都能高效完成工作，同时保护你的数据隐私。