扫描 PDF 怎么转 Word？离线 OCR 输出可编辑

扫描件里的文字，为什么不好用

纸质资料扫描成 PDF 后，文字其实是"图片"，无法复制、检索或编辑。想把内容整理成 Word，常见三个麻烦：一是手工逐页敲字，量一大就成了重活；二是中英文混排的文件，普通工具识别不全或排版错乱；三是出于保密考虑，合同、档案这类材料不便上传到云端 OCR 服务。结果就是大量内容锁在扫描件里，用不起来。

这个技能能帮你做什么

它的核心是把图片型内容还原成可编辑文字，且全程在本地完成。识别上，它对扫描版或图片型 PDF 做离线 OCR；输出上，它生成可编辑的 DOCX，必要时也能输出纯文本结果；版面上，它按页面类型裁切页眉页脚、保留图像页面，对封面页、无文本图页这类识别效果有限的页面会保留原图供人工复核；交付上，当 OCR 后的 Word 文件因嵌入图片过大时，它可以压缩图片降低体积。它支持中英文混排识别。

怎么用它

用法是把待识别的 PDF 和对结果的要求用自然语言交给它。例如可以这样对它说：

它适合这些场景：纸质资料扫描成 PDF 后、需要提取文字整理为 Word；中英文混排文件需要离线识别、避免上传到云端；图片页、封面页或图表页识别效果有限、需要保留原图供人工复核；批量 OCR 后生成的 Word 文件过大、需要压缩图片降低体积。它适合处理扫描合同、教材、档案、论文复印件和图片型 PDF 的行政、法务、教育、研究与档案整理人员。

大家常问

扫描版 PDF 为什么复制不出文字？

扫描版 PDF 本质是图片集合，每页都是像素位图，计算机只记录颜色不存字符编码，所以无法选中或复制。要拿到可编辑文本，必须用 OCR 把字形重新识别成字符。

双层 PDF 和单层 PDF 怎么区分？

单层 PDF 只有扫描图像，文字不可选；双层 PDF 在图像层上叠了一层透明文字层，外观一样但可选可搜可复制。最直观的判断是拖选文字，能高亮并复制就是双层。

扫描件 OCR 识别率低，一般是什么原因？

主要受图像质量影响：分辨率低于 300 DPI 笔画细节丢失，扫描歪斜、噪点、对比度差会让二值化和字符分割出错。字号过小、字符粘连、语言包不匹配也会拉低识别率。

中英文混排扫描件离线 OCR 容易在哪里出错？

中文靠笔画内部、英文靠外轮廓，同样 DPI 下中文先退化；中英字间距规律不同会让字符分割出现双峰，二值化阈值和语言模型也难同时适配两套字符。