文档OCR与可搜索PDF工作台
完全在浏览器本地解析扫描件与图像文本。在完整保留原始扫描画质的基础上，自动叠加精确对齐的隐形文字图层，生成原生可搜索PDF，支持置信度复核、文本校对与多格式结构化导出。
- 零网络传输：100%纯客户端本地运行
- 生成含不可视文字层的双层可搜索PDF
- PDF.js自动核验与搜索回环测试
- 图像智能预处理（自动倾斜校正/二值化/锐化）
- 歧义数字、日期、网址及隐私敏感词检测
拖放JPG、PNG、WebP或PDF到此处
Supports PDF, JPG, PNG, and WEBP. Multi-page PDFs will be inspected and rendered locally.
关于「文档OCR与可搜索PDF工作台」
纸质扫描文件或拍摄照片通常无法进行文字复制、检索与提取。传统的在线OCR工具往往需要将合同、单据或机密材料上传至远程服务器，存在严重的数据泄露风险。
Solasu「文档OCR与可搜索PDF工作台」是一款采用 WebAssembly 与 Web Worker 技术的纯客户端文档识别工作台，全流程在您的设备本地运行。
本工具不仅提取文本，更通过精准计算文字外接框（Bounding Box）坐标，在原始扫描图像上方生成透明文字层，制作出100%保留原始版面视觉的可搜索PDF。同时提供引擎原始置信度展示、不确定字符高亮提示、在线文本人工校对、数字/日期/敏感信息候选词识别以及不可逆安全遮盖功能。
纯客户端本地运行与零网络隐私保障
所选图像与PDF文件仅在浏览器内存中处理，零字节数据上传至外部云端或第三方服务器。
内置本地OCR引擎与语言模型，运行期间绝不从外部CDN动态下载资源，绝不写入localStorage、IndexedDB或Cookie等持久存储。
保留原始扫描视觉品质的可搜索PDF生成
采用双层PDF架构：底层完整保留高分辨率扫描原图，顶层嵌入位置、大小严格对齐的不可见Unicode文本层。
生成的PDF在各类标准阅读器中外观与原稿完全一致，同时支持鼠标框选文字、自由复制和快捷键（Ctrl+F）全文搜索。
PDF文档结构智能检测与选择性OCR
自动分析多页PDF中的每一页，区分纯文字页面、纯扫描图片页面或图文混合页面。
可针对扫描页面执行选择性OCR，避免对已有数字文字的页面进行无谓的重复计算，大幅提升处理效率。
图像智能预处理提升文字识别率
针对模糊、倾斜、对比度差的扫描件，提供BT.601灰度化、亮度对比度调整、大津法自适应二值化、锐化去噪及自动倾斜校正。
实时对比预处理前后图像效果，确保送入OCR引擎前的图像处于最佳识别状态。
双重验证机制与多格式结构化导出
PDF生成完毕后，内部验证引擎自动反向读取文件，严格核验页面总数及文字层解析完整性。
支持将校对后的成果导出为可搜索PDF、纯文本（TXT）、Markdown、含坐标的结构化JSON、防注入CSV、单文件HTML以及审计报告PDF。
常见问题解答（FAQ）
什么是OCR，它是如何在浏览器内运行的？
OCR（光学字符识别）通过分析图像像素来识别文字。本工具将开源的Tesseract引擎编译为WebAssembly，直接在浏览器Web Worker中本地运行，无需任何云端服务器参与。
支持哪些图片格式的文字识别？
支持常见的JPEG（.jpg、.jpeg）、PNG（.png）和WebP（.webp）格式，高分辨率扫描图也能在本地平稳处理。
PDF文件是如何进行OCR处理的？
工具使用内置PDF.js将PDF页面光栅化渲染为高分辨率画布图像，交由OCR引擎识别后，再通过pdf-lib构建包含隐形文本层的双层可搜索PDF。
扫描版PDF与原生文本版PDF有何区别？
原生文本PDF包含数字文字编码，可直接选择和搜索；扫描版PDF仅包含静态位图。本工具可为扫描版PDF添加透明文字层，赋予其检索能力。
什么是可搜索PDF（Searchable PDF）？
可搜索PDF是指在保持原始扫描图画质的同时，在同一坐标位置叠加不可见文字图层的PDF，既保留视觉原貌又支持搜索和复制。
不可见文字层的坐标是如何定位的？
OCR引擎会计算每个词和每行的外接矩形（Bounding Box），工具将其精确定位转换到PDF点坐标系中，使隐形文字与原图字迹严丝合缝。
什么是OCR置信度？是否能保证100%准确？
置信度（0-100）是引擎基于字形匹配度计算的统计数值。受扫描清晰度及字体影响，任何OCR系统均无法保证100%绝对准确，本工具展示客观原生数值供校对参考。
低置信度（Possible OCR uncertainty）文本如何处理？
置信度低于60的词会被标记为不确定候选，在审核面板中醒目高亮，方便人工重点核对和修改。
导出前是否支持手动修改识别结果？
支持。您可以在审查面板中直接编辑纠正识别错误的文字，修改结果会同步更新至最终导出的PDF与数据文件中。
图像预处理（如去倾斜和二值化）有什么作用？
倾斜、阴影和低对比度会显著降低识别率。通过自动校正倾斜、灰度化和大津二值化，能显著增强字迹轮廓，提高识别准确度。
PDF渲染DPI应如何选择？
通常150至200 DPI足以满足绝大部分印刷文字的需求；字号微小或笔画复杂的文档可选用300 DPI。
是否支持竖排文字识别？
当前模型针对常规横排文字进行了深度优化；竖排文档识别能力有限，可能出现断句或顺序差异。
对手写文字的识别效果如何？
引擎主要针对标准印刷体训练，手写体识别置信度较低，强烈建议进行人工逐行校对。
复杂表格和多栏排版能否完整复原？
工具可检测并标注表格候选区域及多栏文本流，但不承诺将其完美逆向转换为Excel单元格或复杂出版排版。
如何检测数字0与字母O等易混淆字符？
系统会自动扫描编号代码中的0/O、1/I/l、5/S等相似组合，并标记为疑似混淆项提示人工核验。
是否支持个人敏感信息的脱敏与遮盖？
支持。可将指定词替换为[REDACTED]，并可在导出PDF时将对应区域直接涂黑，物理破坏底层图片像素。
我的文件是否会被上传或保存在服务器？
绝不会。全流程100%在您本地设备内存中运算，零网络请求，且不使用任何浏览器持久存储。
断网环境下能否正常使用？
可以。所需核心代码与语言数据均已离线打包，初次加载页面后完全支持离线断网运行。
界面语言与OCR识别语言可以分开设置吗？
可以。无论界面使用何种语言，您均可自由指定OCR识别语言（如中、英、日、德、法、西、阿、俄、印、葡等）。
如何检验生成的双层PDF是否有效？
PDF生成后，工具会调用内置pdfjs-dist重新解析文本层，核查页数及关键词是否存在，确保输出质量可靠。
移动端手机浏览器可以使用吗？
支持响应式适配，手机与平板均可操作；处理大批量多页高DPI文档建议使用桌面端以获得最佳性能。
处理大文件时有无内存或页数限制？
采用单页流式处理架构，处理完即时释放图像内存。为保障系统稳定性，单文件限制为100页及50MB以内。