什么是OCR（光学字符识别）？
OCR是一种分析包含文字的图像（照片、扫描文档、截图、PDF），并将视觉文字转换为机器可读字符数据的技术。输出是可编辑的文本，能够被复制、搜索和处理。没有OCR，扫描文档只是一张图片；有了OCR，它变成了可用的数字文本。
- 光学字符识别（OCR）
- 一种使用模式识别和机器学习来识别图像中文字字符，将文字的视觉表示转换为编码数字文本的技术。现代OCR能同时处理多种字体、语言和布局，根据源文件质量实现90-99%的精度。
OCR处理流程详解
- 图像预处理：转灰度、调对比度、去噪、校正倾斜/旋转、二值化（转纯黑白）。
- 版面分析：检测文字区域，识别栏、段落和文字行。将文字与图片、表格、装饰元素分离。
- 字符分割：将文字行分解为单个字符或字符组。处理连体字符和可变间距。
- 字符识别：将每个字符与训练模型对比。AI OCR使用神经网络；传统OCR使用模板匹配。
- 后处理：应用语言模型和字典纠正识别错误。修复常见误识别（0 vs O、1 vs l等）。
- 输出生成：生成可编辑文本，可选保留位置数据用于可搜索PDF或结构化文档输出。
AI OCR vs 传统OCR对比
| 维度 | AI OCR（Gemini/GPT-4） | 传统OCR（Tesseract） |
|---|---|---|
| 印刷体精度 | 95-99% | 85-95% |
| 手写体 | 70-85%（上下文感知） | 40-60%（有限） |
| 多语言混排 | 优秀（自动检测） | 良好（需选择语言） |
| 复杂版面 | 支持表格、多栏、表单 | 非线性布局困难 |
| 处理位置 | 云端（需联网） | 本地（浏览器，可离线） |
| 速度 | 2-5秒/页（依赖网络） | 1-3秒/页（依赖CPU） |
| 隐私 | 图片发送到云端服务器 | 完全在设备上处理 |
| 费用 | API费用（Pro包含） | 免费（开源） |
关键区别：AI OCR（如Gemini/GPT-4o/Claude）理解上下文——即使扫描模糊，它也能正确读出"张医生"，因为它理解"张"是姓氏后跟"医生"的称谓。传统OCR只看像素模式，面对同样模糊的文字会出错。
Allin PDF的双引擎OCR策略
Allin PDF采用智能双引擎方案：
- 主引擎：AI云端引擎（Gemini/GPT-4o/Claude）——联网时使用。扫描页面发送到Gemini多模态API进行"理解式"阅读。最适合手写体、低质量扫描件和复杂版面。
- 备用引擎：本地引擎（Tesseract.js）——云端不可用时自动启用。通过WebAssembly完全在浏览器中运行。最适合隐私敏感文档和离线使用。首次使用需下载语言包。
获得最佳OCR精度的技巧
- 至少300 DPI扫描：更高分辨率意味着字符识别的细节更多。200 DPI可接受，300+最佳。
- 确保良好光线：均匀照明无阴影。避免光亮纸上的闪光反射。
- 保持文字端正：倾斜或旋转的文字降低精度。大多数工具自动校正小角度，极端旋转需手动修正。
- 高对比度：白/浅色背景上的深色文字效果最佳。彩色文字或彩色背景降低精度。
- 选择正确语言：本地引擎选错语言包会大幅降低精度。不确定时使用AI引擎（自动检测）。
常见问题
OCR能识别手写文字吗？
AI引擎（Gemini）能以70-85%的精度识别工整的手写文字，具体取决于清晰度。本地Tesseract引擎主要针对印刷体设计，手写支持非常有限（40-60%）。要获得最佳手写识别效果，请使用AI引擎。
OCR会保留原始格式吗？
OCR提取文本内容，不保留格式。输出是纯文本（或简单段落）。如需保留视觉布局，请使用PDF转Word功能。OCR最适合只需要原始文本内容的场景。
为什么本地引擎需要下载语言包？
Tesseract的每种语言训练模型大小为1-15MB。为保持应用首次加载速度，语言包在首次选择语言时按需下载。下载一次后被缓存，后续使用无需再次下载，也可离线使用。