AuraDoc
登录注册

什么是可搜索PDF?

可搜索PDF是指每页上的文字以真正的文本形式存在、而不只是一张图片的文件。因此,阅读器的搜索框可以跳转到某个短语,鼠标可以选中一句话,复制命令可以把它粘贴到别的程序里。普通扫描件在屏幕上看起来完全一样,但里面只有页面的照片,所以无论搜索什么都没有结果。把纸质资料电子化归档,或者想在合同和发票里查找某个金额、某个名字时,这个区别影响很大。

文件如何变得可搜索

有两条途径。由文字处理软件、电子表格或网页导出的文档一开始就是可搜索的,因为程序把字符与绘制指令一起写进了文件。扫描或拍照得到的文档只是图像,经过文字识别(OCR)之后才变得可搜索:程序读取图片、生成字符,并把它们作为一层不可见的内容精确覆盖在印刷文字上方。页面看上去仍是原来的扫描件,搜索框找到的其实是这层隐藏的文字。这一层的质量取决于扫描质量,页面模糊就会得到带错误的文字层。倾斜、有阴影的页面、很小的字和手写体最容易识别出错。

自己如何检查 / 需要记住的局限

打开文件,按下搜索快捷键,输入页面上能看到的一个词。如果阅读器把它高亮显示,说明该页有文字层。再在最后一页上试一次,因为由多份扫描件拼成的文件可能只有一部分可搜索。另一个快速测试是在段落上拖动光标:出现沿着文字行延伸的蓝色条带,说明是真正的文本;如果出现覆盖整页的矩形,则是图像。有文字层并不保证每个词都正确,所以数字、姓名和日期在依赖它们之前,仍应与页面对照一下。

用AuraDoc怎么做

「PDF OCR」为扫描件添加文字层,「复制扫描PDF中的文字」取出扫描件中的文字而不保留版式,「PDF 转文本」导出已有文字层的文件中的文字。每个结果都是新文件,所以你最初的扫描件保持原样。

用到这个术语的工具

提到这个术语的指南

常见问题

我怎么知道自己的PDF是否可搜索?
搜索页面上能看到的一个词。如果什么也没找到,而且光标无法选中任何文字,那么文件就是图像,需要先做文字识别。
可搜索PDF看起来和扫描件不同吗?
不会。识别出的文字不可见地放在页面图片后面,所以外观保持不变,只是搜索和复制开始可用。
可搜索PDF的每一页都可搜索吗?
不一定。由多个来源组装的文件可能混有带文字层和不带文字层的页面,所以请在多于一页上测试一个词。

并排对比

相关术语

需要的不只是快速修改?

AuraDoc是一个文档平台,提供OCR、AI搜索与摘要,以及面向团队的60多种PDF工具。可免费试用7天。

标有“安全服务器”的工具会通过加密连接,将您的文件一次性发送到 AuraDoc 的隔离服务器。文件在一次性进程中处理,结果返回后立即删除。 合理使用与防滥用政策