PDF OCR 图层查看器

谁也看不见的那一层

扫描件做 OCR 时，识别程序并不会替换图像。它把扫描图原封不动地留下，再用 PDF 渲染模式 3（「既不填充也不描边」）把识别出的词写在上面。文字确实在那里，可以选中、可以搜索，但任何阅读器都不会绘制它的哪怕一个像素。

这是合理的设计，却让 OCR 质量变得无从判断。搜不到某个词，只能说明它缺失；它不会告诉你识别程序是不是把「已收到」读成了别的字，也不会告诉你它是不是把整整一栏往上错了一行。

这个工具让你看到什么

每一个识别出的词都会被画回它原本所在的方框里，覆盖在它来源的扫描图之上。四种视图：

• 只看词框 —— 只有轮廓，可以在文字不碍事的情况下评估覆盖范围和对齐情况。
• 文字叠加图像 —— 识别出的词半透明地画在扫描图上，并配有透明度滑块。识别一旦偏移，画出的词就会明显地从下方扫描出的字上滑开。
• 只看文字 —— 空白纸上只留文字层，这实际上就是屏幕阅读器所拿到的内容。
• 只看图像 —— 原始扫描图，便于对照。

可在词框、行框、块框之间切换，在识别文本中搜索并看到页面上的高亮，也可以点击任意方框跳转到列表中的对应项。

判断质量

每一页都会给出词数与字符数、真正不可见文字的比例、平均词框尺寸，以及一个覆盖率数值 —— OCR 词框实际占据了页面面积的多少。识别程序若在半页处放弃，覆盖率会先暴露问题，远早于你察觉到缺失的词。

形状在统计上异常的词会被标出：没有元音、字母混着数字、单字符碎片、连续符号、词框与邻近词严重不协调。这些是 可疑项，不是错误。

导出

纯文本、含每个边界框与字体信息的 JSON，或供下游工具使用的 hOCR 风格 HTML。坐标使用 PDF 点，原点在左上角。

隐私

不会上传任何内容。PDF 的解析、渲染和测量全部在你的浏览器内完成。