一句话
OCR——光学字符识别——把长得像字的像素变成真正的文字。对一张清晰的印刷体照片或截图，它接近完美；对手写、花体字，或一张糊掉的菜单照片，它接近没用。本站的引擎是 Tesseract，在浏览器里跑，带 12 个语言包；图片留在你的设备上。多数糟糕的结果来自图片而不是引擎，而且在按下按钮之前就能修好。
引擎怎么工作
Tesseract 1985 年诞生于惠普，2005 年开源，2006 年起由 Google 维护。第 4 版（2018 年）用 LSTM 神经网络取代了逐字符分类器，一次读一整行，所以它能应付粘连的字母和比例字体——老引擎做不到。流程是：找到页面上的文字区域，切成行，每行过一遍网络，再由语言模型——词典加字母序列统计——在相似形状之间裁决（l、1、I；0、O）。最后这一步就是为什么选对语言要紧：用英文模型读德文，会把 straße“纠正”成 strasse 或更糟。
在浏览器里，引擎编译成 WebAssembly（约 4 MB），每个语言包 0.7–3 MB，第一次用时下载并缓存。中文和日文的包最大，因为要认识几千个字。
什么决定结果
分辨率。 Tesseract 希望字高在 30 像素上下；低于 20 网络就开始猜。手机拍一页纸没问题；400 像素宽的缩略图不行。非要 OCR 一张小图，先放大两倍——不增加信息，但给找行的算法留出余地。
对比度和均匀度。 白底黑字，光线均匀。台灯下拍的一页纸中间亮、四角发灰；引擎用一个阈值二值化整张图，页面的一侧就消失了。在平光下拍，或者用扫描。
摆正。 引擎能纠正几度的倾斜。斜着拍的一页纸是个梯形，行会汇聚；OCR 之前先旋转并裁剪到文字块。裁剪同时去掉桌沿、你的拇指和另一页——每一样都会产生一行乱码。
版面。 单栏正文最容易。双栏通常能识别。表格、表单、环绕图片的文字、页边的图注，会以引擎自己选的顺序出来，数字列会丢掉对齐。要表格的话，OCR 你需要的那几格，而不是整页。
字体。 标准的书籍和屏幕字体：极好。压缩体、装饰体、手写体、描边字：差。训练数据没见过的字体是一个形状一个形状地读，语言模型的纠正只会让它更糟。
手写。 实际上不支持。Tesseract 是在印刷体上训练的；表单上的正楷大写也许能过，连笔不行。手写识别是另一个模型家族，不是这个工具做的事。
语言和混排
选文字实际使用的语言，能只选一种就只选一种。选三种语言等于把每个字符的候选集翻三倍，识别更慢、准确率更低。混排文本——一份带英文产品名的中文文档——才是两种语言一起选的场合（中文 + 英文）：引擎逐词切换。可用的 12 种语言：英语、简体中文、繁体中文、日语、韩语、西班牙语、法语、德语、葡萄牙语、俄语、意大利语、越南语。
扫描的 PDF
扫描仪出来的 PDF 是每页一张图；文字不在里面，复制不了。用 200–300 dpi 把页面渲染成图片，再 OCR 这些图。用 72 dpi（屏幕分辨率）渲染，字高只有 10 像素，出来的是乱码。
“99%” 实际上意味着什么
一次好的 OCR 在一页干净的纸上大约每一百个字错一个。500 字一页就是三十来处错误，多数在数字、名字和标点里——恰恰是你顺着读读不出来的地方。文字去往任何要紧的地方之前，逐个数字对照原件核一遍；OCR 是草稿，不是誊本。