这里的 OCR 怎么工作
扫描版 PDF 里存的是页面图片，不是文字。要从中得到 Markdown，就得用文字识别模型逐张读图。大多数网站的做法是把文件上传到服务器，这里则是让模型来到你的设备上：
- 转换器先查看每一页。 已有文字层的页面直接读取，更快也更准确。没有文字层，或文字层由映射不到字母的字符组成的页面，交给 OCR。
- 把页面绘制成图片，就在标签页里完成，分辨率足以看清小字。
- 检测模型找出文字行，识别模型逐行读取。两者都是 PaddleOCR 模型（Apache 2.0），通过 WebAssembly 运行，浏览器允许时使用多线程。
- 按阅读顺序重新排列各行：合并段落，根据行高推断标题，把按列对齐的行重建成表格。之后这一页就和其他页面一样转成 Markdown。
第一次转换扫描件时会下载模型：拉丁字母和中文约 6 MB，日文或韩文约 20 MB。之后模型留在缓存里，OCR 立刻就能开始。
速度如何？
在较新的笔记本电脑上，模型加载完后，普通页面每页约 2 到 4 秒。手机更慢，字小又密的页面也比一封信慢。进度行会显示正在识别哪一页，取消随时可以停下。已经识别的页面会保留，重新开始时从停下的地方接着做。
如果只有部分页面是扫描的，就只有这些页面走 OCR。一份 200 页的报告，只有附录三页是扫描件，转换速度和完全没有扫描页时几乎一样。
检查 OCR 没把握的页面
识别模型很好，但并不完美。转换器不会让你从头校对到尾，而是记录模型对每一行的置信度。只要某页有一行低于阈值，这页就会出现在待检查页面里，标注"OCR 对部分字词没把握"，页面图像就放在它的 Markdown 旁边，方便对照。
相反的问题也在这里解决。有些 PDF 的文字层是坏的：字体映射到错误的字符，读出来毫无意义。这些页面会被标记为疑似乱码，点用 OCR 识别这一页，就只针对这一页从图像重新识别。
选对模型
| 你的文档 | 在"扫描页"中选择 | 下载大小 |
|---|---|---|
| 英语、西班牙语、法语、德语、葡萄牙语等拉丁字母语言 | 拉丁字母和中文 | 约 6 MB |
| 中文（简体和繁体印刷体） | 拉丁字母和中文 | 约 6 MB |
| 日文 | 日文 | 约 21 MB |
| 韩文 | 韩文 | 约 18 MB |
你的选择会在下次访问时保留。中文文档夹杂英文时，"拉丁字母和中文"模型两者都能读；日文或韩文文档夹杂英文时，选日文或韩文模型更好，因为每个模型也认识拉丁字母和数字。
让扫描件识别得更好
- 自己扫描时用 300 dpi。 低于 200 dpi，小字就开始糊成别的字母。
- 页面越正，识别越好。 斜着拍的页面，或者向书脊弯进去的页面，边缘附近可能丢词。
- 文字层不可信时，在扫描页里选所有页面，比如老式扫描仪 OCR 生成的文字层。转换器会忽略它，自己识别每一页。
- 在手机上转换长扫描件时，可以只转换部分页面，避免内存不足。
OCR 目前还做不到的
- 手写体不支持，模型是用印刷体训练的。
- 拥挤或歪斜的表格。 扫描的表格在列对齐清楚时会变成 Markdown 表格。列挨得很紧，或者页面扫歪了，就可能输出为一行行文字。详见 PDF 表格转 Markdown。
- 公式按模型看到的字符输出，不会变成 LaTeX。
- 上面模型以外的语言，比如阿拉伯文、希伯来文、西里尔字母、希腊文、泰文或印地文，OCR 都不支持。不过这些语言的 PDF 只要有文字层，照样能转换，因为不需要 OCR。
浏览器里的 OCR 安全吗？
安全。每一页都在这个标签页里绘制和识别，文字一直留在它的内存里，直到你复制或下载。页面的任何内容，无论图像还是文字，都不会发送到任何地方。所以扫描的合同、病历和其他不想上传的文件都可以放心用。运行时你可以打开浏览器开发者工具的网络面板查看：没有任何请求带着你的文件或文字。
常见问题
能转换文档照片吗？
请先把照片做成 PDF，大多数手机都能在分享菜单里把扫描结果或照片存为 PDF。然后把 PDF 拖到这里。暂时还不直接接受图片文件。
为什么第一次扫描比较慢？
因为第一次要下载 OCR 模型，只下载这一次。只要浏览器保留缓存，之后的扫描即使换了一天也不用再等。
扫描件有文字层，但文字是错的，怎么办？
那个文字层来自扫描仪自带的 OCR，质量可能很差。在扫描页里选所有页面重新转换，或者在看起来不对的页面上用用 OCR 识别这一页。
能离线使用吗？
转换开始后，只要模型已在缓存里，就不需要网络。中途断网，处理也会继续。