扫描件是装进容器里的一张图

一张纸经过扫描仪或手机摄像头，得到的每页是一张大图，外面包一层 PDF，好让它能打印、能正确翻页。里面没有字符数据：字母 A 只是一片深色像素的图案，和字母 B 一样。

PDF 可以同时装两样东西——一张图片，以及覆盖在上面的隐形文字层，那是 OCR 的产物。多数扫描件只有图片。这就是为什么 20 页扫描件能有 30 MB，而 20 页打字的文档只有 300 KB。

转换能做什么，不能做什么

把 PDF 转成 Word 或纯文本，读的是文字层。没有文字层，就没有东西可读，诚实的结果只有两种：一份装着页面图片的文档，或者一次失败。

一个对扫描件「成功」、却产出一份满是图片的 Word 的转换器，并没有读懂那一页——它只是把页面抄了一遍。如果目标是一个可编辑的版式，这仍然有用；但它不会给你可搜索的文字，也不是大多数人说的「转换」。

本站不做 OCR。扫描件在这里仍然是扫描件：转换只搬走已有的东西，并且如实说明，而不是编出字来。如果你需要可搜索的文字，得用 OCR 工具——上传你在意的文档之前，先确认它是不是本地运行。

怎么判断手上是哪一种

三个检查，一分钟之内就有答案：

  • 选中一段。如果能高亮，就有文字层，转换可行。
  • 搜索页面上你明明看得见的一个词。搜不到，就是没有文字层。
  • 看每页的文件大小。每页几百 KB 以上是扫描件；几十 KB 是文字。

如果真的需要 OCR

OCR 从像素里认字，再把文字层写回 PDF。这和转换是两件事，它更慢，效果取决于扫描质量：300 dpi、摆正、对比度高、没有手写。人名、数字和浅色字体的内容，做好还要再校对一遍的准备。

如果扫描件只是用来阅读，转成图片往往就够了，而且比 OCR 更快、更无损。