为什么扫描版 PDF 往往是纯图像？

扫描仪会把每一页拍成图像。生成的文件保存的是栅格图像，也就是像素，而不是机器可读的字符。未经 OCR 处理时，图像中的文字只是画面的一部分。

可以在纯图像 PDF 中搜索吗？

不能使用普通搜索（Ctrl+F 或 Cmd+F）。PDF 阅读器只能搜索机器可读的文本。要让内容支持搜索，需要通过 OCR 添加文本层。

不会。OCR 会在页面图像后方添加一个不可见的文本层。视觉外观保持不变；文本层用于搜索、选择和无障碍访问，而不是显示。

不可以。屏幕阅读器依赖机器可读的文本来朗读内容。纯图像 PDF 没有文本数据，因此屏幕阅读器无法理解页面内容。

尝试用光标选择文字。如果无法逐字高亮，或者选择范围把整页当作一个区块，这份 PDF 很可能只包含图像，没有底层文本层。

纯图像 PDF是只包含页面图像、没有任何机器可读文本的 PDF。它看起来可以阅读，却无法搜索、选择文字或建立索引。

两者的区别在于，除了眼睛能看到的内容，文件内部还保存了什么。

纯图像 PDF 把每一页保存为栅格图像，也就是像素网格。页面上可见的文字只是图像的一部分，和照片中的文字一样；文件中并不存在机器可读的字符。PDF 阅读器显示图像，人眼看起来文字清晰可读，但对软件而言，页面上只有像素。

可搜索 PDF 则包含文本层，即与页面上可见文字位置相对应的机器可读字符。文本层可能来自原始数字文档，也可能由扫描后的 OCR 处理生成。有了文本层，就可以搜索、选择和复制粘贴文字，屏幕阅读器也能读取内容。

这两种 PDF 的外观可能完全相同，真正的差别在功能上：一种只是文字的图片，另一种保存了实际文本数据。

纯图像 PDF 通常由以下流程产生：

这些情况的共同点是：文字从未以字符形式编码进文件，只是被拍摄或截取为图像的一部分。

在截图转 PDF 的流程中，团队如果只重视视觉还原度，之后又没有添加 OCR，就容易得到这种文件。它看起来很精致，但搜索、复制粘贴和辅助技术都无法识别其中的文字。

最快的方法是尝试选择文字。用任意 PDF 阅读器打开文件，拖动光标高亮一个词。如果可以用文本光标准确选中单个词，PDF 就有文本层。如果整页被当成一个区块选中，或完全无法选择，PDF 很可能只有图像。

还可以使用 Cmd+F（Mac）或 Ctrl+F（Windows）搜索页面上清楚可见的词。如果搜索没有结果，说明文件没有文本层。

若要通过程序检测，可以使用 pdftotext（Poppler 的一部分）或 PDF 解析库提取文本。页面明明有可见文字，但提取结果为空或只有空白，就说明这些页面只有图像。

以为所有 PDF 都能搜索。 很多人认为任何 PDF 都应该支持 Ctrl+F。搜索失败时，他们可能误以为阅读器出了问题，而没有意识到文件缺少文本层。
用纯图像 PDF 做长期归档。 文档管理系统和搜索引擎无法为纯图像 PDF 建立内容索引。时间一长，这些内容虽然仍在归档中，却几乎无法通过搜索找到。
忽视无障碍访问。 屏幕阅读器无法理解纯图像页面。向包含屏幕阅读器用户的受众分享此类 PDF，会让他们完全无法获取其中的信息。使用 OCR 添加文本层可以解决这个问题。
运行 OCR 后不核对准确性。 OCR 并非绝对准确，低分辨率扫描件、特殊字体和复杂版式尤其容易出错。重要文档应始终核对 OCR 结果，在依赖文本层前找出识别错误的字符。