如何对扫描版 PDF 进行 OCR，使其可搜索
扫描的 PDF 是图像，而不是文本：您无法搜索、选择或复制其内容。本指南展示 pdfmcp 的两种本地方式：将 OCR 应用为可搜索的 PDF，或将 OCR 应用为纯文本，全部在您的设备上，并附真正重要的设置。
为什么扫描的 PDF 没有文本
扫描仪保存的是每一页的照片。文字是图像中的像素，而不是字符，因此搜索找不到任何东西，选择文本也选不到任何东西，也没有东西可以复制。OCR（光学字符识别）解决了这个问题：它读取每一页的图像，并推断像素构成了哪些字符。
pdfmcp 为此使用 Tesseract。OCR 操作有两种，每种都满足不同的需求。ocr_pdf 返回外观相同但带有不可见文本层的 PDF，因此文档本身变得可搜索、可选择。ocr_to_text 仅以纯文本形式返回文字。两者都在本地运行。
选择方式：可搜索的 PDF 还是仅文本
当文档必须继续是文档时，请选择 ocr_pdf：合同、报告或他人会打开、查阅和引用的档案。它使用 pdfmcp 软件包在本地运行，因为制作干净的可搜索 PDF 需要较重的机械。已经带有文本层的页面会原封不动地通过，并被报告为跳过，因此在混合文档上运行它是安全的。
当您只需要文字时，请选择 ocr_to_text：粘贴到笔记中、传递给脚本，或阅读扫描件的内容。在网站上，它在您的设备、您的浏览器中运行，您的文件永不上传；请注意，设备上的网页版本仅包含英语。本地软件包的相同操作可以配置语言。
制作可搜索的 PDF，分步进行
1) 只安装一次 pdfmcp 软件包（见 MCP 页面）。2) 使用本地软件包、通过本地 MCP 连接的智能体或您自己的代码，对您的文件运行 ocr_pdf 操作。3) 打开结果并检查：搜索一个您能在页面上看到的词。如果搜索能找到它并在正确的位置高亮显示，文本层就已就位。
如果您通过 AI 智能体工作，相同的步骤会缩减为一个请求：连接一次本地 MCP 服务器（见设置指南），然后请智能体对文件应用 OCR。一切都发生在您的机器上。
重要的设置：语言、DPI 和页面
语言是人们最容易弄错的设置。默认值为 eng（英语）。对于其他语言，请将语言参数设置为 Tesseract 语言代码，或组合代码：例如混合英语和德语的文档使用 eng+deu。语言数据会在首次使用时只下载一次，并保留在您的机器上。选择文档实际所用的语言，比任何其他设置都重要得多。
DPI 的默认值为 300，可在 150 到 600 之间设置：这是识别前每一页的渲染分辨率。对于普通扫描件，请保持 300；较高的值可能对小字有帮助，代价是您机器上的工作更慢。最后，页面参数将工作限制为您指明的页面（例如 1-3,5,8），这是在处理长文档之前，在几页上测试设置的最快方法。
限制、隐私和诚实的边界
实际上，限制您的是您的设备：内存和速度，在浏览器中则是约 100 MB、500 页以内的文件。非常长的文档需要您机器所需的时间；将巨大的扫描件拆成几部分仍然是个好主意。
隐私遵循 pdfmcp 的规则，不作比网站本身更强的断言：一切都在本地运行，您的文件永不上传，永不保存在任何服务器上，也永不用于训练 AI。而诚实的边界是：OCR 从相当清晰的扫描件中读取印刷文字。手写、对比度很低的扫描件和损坏的页面会产生错误：结果是尽力而为的文本层，而不是经认证的转录，因此请对照页面图像检查重要的姓名和数字。
常见问题
pdfmcp 中的 OCR 免费吗？
是的，永久免费。设备上的 OCR 转文本工具是免费的，不需要任何账户。使用本地软件包的完整 OCR 也免费，无密钥，无每日配额。没有付费层级。
OCR 会改变我的 PDF 的外观吗？
ocr_pdf 会添加一个不可见的文本层；页面图像保持原样。已经带有文本的页面会原封不动地通过，并被报告为跳过。
OCR 可以读取哪些语言？
使用本地软件包时，请将语言参数设置为 Tesseract 语言代码（默认为 eng；eng+deu 等组合可用）：语言数据会在首次使用时只下载一次。设备上的网页 OCR 转文本工具仅包含英语。
为什么我的大扫描件需要这么长时间？
OCR 是一项繁重的工作，并在您的机器上运行，因此非常长的扫描件需要您计算机所需的时间。请将文档拆成较小的部分并对这些部分应用 OCR，或者，如果文件已经有文本层，则改用 pdf_to_text 提取该文本。
OCR 对手写有效吗？
它专为印刷文字设计。手写和低质量的扫描件可能会产生错误，因此请对照原始页面图像核实关键细节。
原文发表于 https://pdfmcp.org/guides/how-to-ocr-a-scanned-pdf/