如何對掃描版 PDF 進行 OCR，讓它可供搜尋
掃描的 PDF 是影象，而不是文字：您無法搜尋、選擇或複製其內容。本指南展示 pdfmcp 的兩種本地方式：將 OCR 應用為可搜尋的 PDF，或將 OCR 應用為純文字，全部在您的裝置上，並附真正重要的設定。
為什麼掃描的 PDF 沒有文字
掃描器儲存的是每一頁的照片。文字是影象中的畫素，而不是字元，因此搜尋找不到任何東西，選擇文字也選不到任何東西，也沒有東西可以複製。OCR（光學字元識別）解決了這個問題：它讀取每一頁的影象，並推斷畫素構成了哪些字元。
pdfmcp 為此使用 Tesseract。OCR 操作有兩種，每種都滿足不同的需求。ocr_pdf 返回外觀相同但帶有不可見文字層的 PDF，因此文件本身變得可搜尋、可選擇。ocr_to_text 僅以純文字形式返回文字。兩者都在本地執行。
選擇方式：可搜尋的 PDF 還是僅文字
當文件必須繼續是文件時，請選擇 ocr_pdf：合同、報告或他人會開啟、查閱和引用的檔案。它使用 pdfmcp 軟體包在本地執行，因為製作乾淨的可搜尋 PDF 需要較重的機械。已經帶有文字層的頁面會原封不動地透過，並被報告為跳過，因此在混合文件上執行它是安全的。
當您只需要文字時，請選擇 ocr_to_text：貼上到筆記中、傳遞給指令碼，或閱讀掃描件的內容。在網站上，它在您的裝置、您的瀏覽器中執行，您的檔案永不上傳；請注意，裝置上的網頁版本僅包含英語。本地軟體包的相同操作可以配置語言。
製作可搜尋的 PDF，分步進行
1) 只安裝一次 pdfmcp 軟體包（見 MCP 頁面）。2) 使用本地軟體包、透過本地 MCP 連線的智慧體或您自己的程式碼，對您的檔案執行 ocr_pdf 操作。3) 開啟結果並檢查：搜尋一個您能在頁面上看到的詞。如果搜尋能找到它並在正確的位置高亮顯示，文字層就已就位。
如果您透過 AI 智慧體工作，相同的步驟會縮減為一個請求：連線一次本地 MCP 伺服器（見設定指南），然後請智慧體對檔案應用 OCR。一切都發生在您的機器上。
重要的設定：語言、DPI 和頁面
語言是人們最容易弄錯的設定。預設值為 eng（英語）。對於其他語言，請將語言引數設定為 Tesseract 語言程式碼，或組合程式碼：例如混合英語和德語的文件使用 eng+deu。語言資料會在首次使用時只下載一次，並保留在您的機器上。選擇文件實際所用的語言，比任何其他設定都重要得多。
DPI 的預設值為 300，可在 150 到 600 之間設定：這是識別前每一頁的渲染解析度。對於普通掃描件，請保持 300；較高的值可能對小字有幫助，代價是您機器上的工作更慢。最後，頁面引數將工作限制為您指明的頁面（例如 1-3,5,8），這是在處理長文件之前，在幾頁上測試設定的最快方法。
限制、隱私和誠實的邊界
實際上，限制您的是您的裝置：記憶體和速度，在瀏覽器中則是約 100 MB、500 頁以內的檔案。非常長的文件需要您機器所需的時間；將巨大的掃描件拆成幾部分仍然是個好主意。
隱私遵循 pdfmcp 的規則，不作比網站本身更強的斷言：一切都在本地執行，您的檔案永不上傳，永不儲存在任何伺服器上，也永不用於訓練 AI。而誠實的邊界是：OCR 從相當清晰的掃描件中讀取印刷文字。手寫、對比度很低的掃描件和損壞的頁面會產生錯誤：結果是盡力而為的文字層，而不是經認證的轉錄，因此請對照頁面影象檢查重要的姓名和數字。
常見問題
pdfmcp 中的 OCR 免費嗎？
是的，永久免費。裝置上的 OCR 轉文字工具是免費的，不需要任何賬戶。使用本地軟體包的完整 OCR 也免費，無金鑰，無每日配額。沒有付費層級。
OCR 會改變我的 PDF 的外觀嗎？
ocr_pdf 會新增一個不可見的文字層；頁面影象保持原樣。已經帶有文字的頁面會原封不動地透過，並被報告為跳過。
OCR 可以讀取哪些語言？
使用本地軟體包時，請將語言引數設定為 Tesseract 語言程式碼（預設為 eng；eng+deu 等組合可用）：語言資料會在首次使用時只下載一次。裝置上的網頁 OCR 轉文字工具僅包含英語。
為什麼我的大掃描件需要這麼長時間？
OCR 是一項繁重的工作，並在您的機器上執行，因此非常長的掃描件需要您計算機所需的時間。請將文件拆成較小的部分並對這些部分應用 OCR，或者，如果檔案已經有文字層，則改用 pdf_to_text 提取該文字。
OCR 對手寫有效嗎？
它專為印刷文字設計。手寫和低質量的掃描件可能會產生錯誤，因此請對照原始頁面影象核實關鍵細節。
原文發表於 https://pdfmcp.org/guides/how-to-ocr-a-scanned-pdf/