无文字层 PDF 的 OCR 识别 —— 让扫描书"活"过来

问题：纯图片扫描书

很多老旧 PDF 扫描书（特别是古籍、老杂志、手写材料）没有文字层——它们本质上就是一张张图片。结果：

KOReader 内置的 OCR（光学字符识别）能把"图片里的文字"变出来。

OCR 就是让软件"看图识字"——把图片中显示的文字识别为可选中、可复制的文本。KOReader 使用开源的 Tesseract 引擎，社区维护的多语言识别包。

识别完成后：

KOReader 的 OCR 引擎（Tesseract）支持百余种语言：

首次使用需要下载对应语言的 OCR 数据包，大小通常 20~50 MB。

OCR 识别质量受以下因素影响：

实际效果：

识别不是完美的。KOReader 允许你在识别后：

如果你的扫描书质量不错，推荐完整流程：

1. 扫描 PDF（无文字层）
2. 自动裁边 + 倾斜校正（整理版面）
3. OCR 识别（生成文字层）
4. K2pdfopt 重排（变成流式文字）
5. 调整字号/行距（舒适阅读）

经过五步处理，一本只能"看"的扫描书，变成了和正版 EPUB 一样可查、可高亮、可笔记的富文本。

KOReader 的 OCR 完全是本地离线的——Tesseract 引擎和语言包都安装在设备上，不需要云 API，不发送任何数据到网络。

这取决于设备性能和文档页数。Android 手机和 Linux 桌面（CPU 好的）识别速度快；Kindle/Kobo 等嵌入式设备识别较慢。第一次识别完成后，结果会被缓存，不用每次重跑。

确认 OCR 语言包与文档语言匹配——中文文档用了英文识别包肯定不行。在「OCR 设置」里切换语言重新识别。

识别结果存储在 KOReader 配置目录下的缓存文件里。删除该文件或在「文档设置 → OCR」中点击清除即可恢复为纯图片模式。