大批扫描 PDF 变成可搜索的文件库：依需求选工具，附六百多页的实际费用

TL;DR：大批扫描 PDF 只要能搜索，一套 OCR（把图片里的字认成电脑文字的工具）就够：不想写代码，用桌面 PDF 软件；要免费、文件不出门，用 OCRmyPDF；页数多、可以上云端，用云端 OCR，每 1,000 页约 1.5 美元。还要知道每页写什么、分类编目的话，再加 AI 逐页转写，两边互相对照抓错。我这次六百多页走最后这条，新增的用量费约 7 美元，不含原本就在付的 AI 订阅和人力时间；收到的原始扫描文件另外保存，完全没改。

傍晚六点多，我下载到一份 90 MB 的 PDF：六百多页的英文纸本文件扫描文件，每一页都只是一张图。在 PDF 里搜索任何一个字，结果都是零。随文件附了一份页码索引，列出哪几页是哪份文件。

一开始只打算把内容转成文字。晚上九点多，决定再进一步，整理成一套有代码的文件库，交给同事用。到了半夜十二点多，它变成八十多份各自独立、可以全文搜索的 PDF，每份配一个 Word 文字文件（方便搜索和复制，但不能当正本），最上层一份总目录 Excel 和一份使用说明。

处理大批扫描 PDF 是常见的需求，所以我把这次的经验整理成选择指引：先依你要的结果选一条路，每条路有做法、费用和限制；这次的实际经过放在第四条路，当作佐证。这篇不是逐步操作手册，这次写的代码也没有公开。

动手的大多是 Claude：代码是它写的，组文件和验证也是它跑的。我负责定范围和拍板，也自己开了云端账号，用到账号密钥的那一步由我在自己电脑上执行。不会写代码的人，也可以这样分工：把这篇的选择表、转写规则和官方文件链接，交给会写代码的 AI 代理人（能在你电脑上写代码、跑程序的 AI，例如 Claude 或 Codex），请它照着做。要注意，AI 代理人读到的文件内容会送到那家 AI 服务，敏感文件请先看下面的提醒。

你要的是哪一种结果？先选一条路

先问自己两件事：只要能搜索，还是要分类编目？文件能不能上传到云端？

上传之前先问三件事：文件里有没有身份证字号、病历或未公开的商业资料？公司规定或资料的主人允不允许上传？那家服务的数据会存多久，会不会拿去训练，能不能提早删除？任何一题答不出来，就先别上传：走第二条路，或改用确定完全在自己电脑上处理的桌面软件。另外，请 AI 代理人帮忙时，它读到的文件内容、画面和错误信息，也会送到那家 AI 服务；敏感文件请自己执行指令，别让 AI 代理人打开文件。

不管走哪一条，都先把原始文件复制一份，所有处理都在副本上做。然后挑 5 页最难的试跑：有表格的、手写的、转了方向的、小字多的。跑完打开搜索几个字，再对照原图，确定质量可以接受才整批做。

第一条路：只要能搜索、不想写代码，用桌面 PDF 软件

打开 PDF，执行软件里的文字辨识（OCR）功能，存档，就有一份可以搜索的 PDF。

以 Adobe Acrobat Pro 为例（免费的 Acrobat Reader 没有这个功能）：开启扫描 PDF 的副本，依序点 All tools（所有工具）→ Scan & OCR → Recognize Text → In This File，按下 Recognize Text。设置里如果有输出类型，选 Searchable Image (Exact)：文字叠在原图上，原图不动；Editable Text and Images 会把扫描图换成重新排过的文字，Searchable Image 也会重新取样图像。跑完用「另存新文件」存成新的文件名，例如「原文件名_可搜索.pdf」，不要直接按保存盖掉原文件。这是英文界面的名称，中文界面找「扫描」和「识别文字」相关的选项；Adobe 的中文说明页标题是〈识别扫描文件中的文字〉。ABBYY FineReader PDF 等软件也有同样的功能。

这条路我这次没有实测，步骤依 Adobe 说明页与两份大学图书馆的教学（操作步骤、输出类型）整理，版本不同菜单也可能不同；价格依方案和地区不同。

第二条路：免费、文件不出门，用 OCRmyPDF

OCRmyPDF 是免费的开源工具，一行指令就能替整份 PDF 加上文字层，文件不会离开你的电脑。要用的是「终端」，也就是电脑上输入指令的窗口：Mac 在「应用程序」里的「实用工具」文件夹，也可以用 Spotlight 搜索「终端」打开。

Mac 上先照 Homebrew 官网的说明装好 Homebrew（Mac 上安装这类工具的程序），再在终端依序执行：

brew install ocrmypdf
ocrmypdf --version

第二行会印出版本号，代表装好了。要辨识英文以外的语言，再执行 brew install tesseract-lang。

接着建一个工作文件夹，把 PDF 的副本放进去。在终端输入 cd 和一个空格，把这个文件夹拖进终端窗口，按 Enter，就切换到这个文件夹了。再执行：

ocrmypdf -l eng input.pdf output.pdf

input.pdf 换成你的文件名；文件名有空格的话，前后加上引号，例如 "我的 扫描文件.pdf"。output.pdf 是加好文字层的新文件，原文件不会被覆盖。繁体中文把 eng 改成 chi_tra，中英混排写 eng+chi_tra（代码见 OCRmyPDF 语言说明和 Tesseract 语言代码表）。跑完打开新文件搜索几个字，确认找得到。

有页面放反、横躺或歪掉的话，可以在 -l eng 后面加上 --rotate-pages（转正）和 --deskew（拉直）。这两个选项会改到新文件的页面样子，想保留原貌就不要加。Windows 的装法见官方安装说明，装到能执行 ocrmypdf --version 为止；其他选项见官方范例。

OCRmyPDF 默认用的辨识引擎是 Tesseract。我这次是直接调用 Tesseract，没有通过 OCRmyPDF，质量可以参考第四条路里的比较：大多数页读得不错，难页读得差。

选用、我没测：用 Mac 的人还可以试 AppleOCR 插件，改用 macOS 内建的文字辨识。它要用 Python 的安装工具 pip 装（pip install ocrmypdf-appleocr，需要 Python 3.11 以上），要明确指定时在指令加上 --ocr-engine appleocr（OCRmyPDF 17 版以上才有这个选项）。不装它，前面的 OCRmyPDF 也能用；想试的话，拿几页跟原图比对再决定。

第三条路：页数多、可以上云端，用云端 OCR

微软 Azure、AWS、Google 三家的云端 OCR 牌价都是每 1,000 页 US$1.50。三家里只有 Azure 能直接返回可搜索的 PDF，我这次用的就是它。要注意的是，Azure 的官方数据说明没有写会不会拿去训练（见后面「各家的数据政策」）；照开头的停损规则，敏感文件要先向微软或你的公司确认，不然就走本机的路。以下是 2026 年 10 月的官方信息：

用 Azure 的步骤：

1. 开一个随用随付的 Azure 账号。免费试用不一定有，我的账号就不符合资格。
2. 建一个 Document Intelligence 资源，选付费的 S0 方案；免费方案只会处理前两页。
3. 在资源页面找到「端点」和「密钥」。端点是这个服务的网址，密钥是一串密码，程序两样都要用到。密钥的用途跟信用卡号差不多：不要写进代码，不要传给别人，也不要贴进 AI 的聊天窗口。
4. 请写代码的人或 AI 代理人照官方文件写一支小程序。给他的规格：用 Read 模型（prebuilt-read），API（让程序调用云端服务的界面）版本 2024-11-30，送出分析时加上 output=pdf；送出后隔几秒查一次结果，完成了再调用下载 PDF 的网址。程序要在执行时才跳出提示请你输入密钥，或从你自己在终端设置的环境变量读取，不显示、不存档。先拿 5 页跑一次，打开下载的 PDF 搜索几个字，确认有文字层再整批送。
5. 设预算警示，花到某个比例就寄信通知你。警示默认是寄信，本身不会停用服务或停止计费（官方说明）。

我开账号时卡了两个地方。我的账号曾被别的组织邀请过，登录时跑到对方的空间（微软叫它「目录」），在那里被要求设置多重要素验证，短信验证码收到了，注册却出错；改成指定从自己账号所属的目录登录，就能正常使用。重点在确认登录的是自己的目录；多重要素验证是保护账号用的，自己的账号一样建议开着。另一个是账单页的金额只写「$」，没标币别，我要等第一笔费用入账才能确定是哪种货币。画面上的「$」不一定是美元，在意的话，整批送出前先查清楚账单币别。

这次六百多页，服务器端只处理了 37 秒，牌价约 US$0.95。花时间的反而是传文件：结果文件有 92 MB，下载速度只有每秒两三百 KB，照这个速度要六分钟上下。终端一动也不动，我一度以为它停住了。这个服务我先留着，之后如果补来新的扫描，同一支程序再跑一次就好。

第四条路：还要读懂、分类、编目，加上 AI 逐页转写

让 AI 把每一页照原样转成文字，拿来分类和编目；OCR 负责搜索；两份结果逐页对照，挑出要人去看的页。这是我这次的做法，下面是实际经过。

这批扫描文件的状况

每页是一张图像，绝大多数是黑白，只有 5 页是彩色。打字的内文、表格数字和勾选框都清楚，难的是其他东西：有 3 页是横式内容直着扫，要转 90 度才看得懂；页边有手写的星号和问号；有些页首被切掉一截，日期跟着少了；照片和图表在黑白扫描里变成网点。

随附的索引是起点，但它自己也注明可能有小错。后来逐页核对，找到一封信的日期写错，两份文件的分界差了一页，两张被当成空白页的纸是手写的分隔页，另一份被注明不完整的文件，核对后是完整的。

用途也先定了：内部阅读、搜索、找出处，不当成正式文件交给外部单位。

为什么要拆成两件事做？

因为「读懂每一页」和「让 PDF 可以搜索」要的输出不同，擅长的工具也不同。

第一件是 AI 逐页转写。把每一页的图像交给大型语言模型（Claude、ChatGPT 这类能看图、会写字的 AI），请它照原样转成有结构的文字：表格还是表格，勾选框照实标出有没有打勾，荧光笔和手写都标出来，看不清楚、没把握的字也要标记。这份文字拿来分类和编代码，也拿来做 Word 文字版。它的限制是不知道每个字在页面上的位置，没办法叠回 PDF 让人搜索、选字。

第二件是 OCR 文字层。OCR 会记下每个字在页面上的位置，在图像上叠一层看不见的字，这就是「文字层」：平常看不到，搜索和复制时才用得到。它的限制是不理解内容，表单、手写和转向的页，常常读成一串乱码。

两份结果还有第三个用处：互相检查。两套工具的原理不同，出错的地方通常也不同，逐页比对之后，对不上的页就是该由人去看的页。

转写的规则怎么定？

先挑 5 页最难的试跑：封面、有荧光笔的页、满是勾选框的表单、粗斜体混排的问答页，以及转了 90 度的表格。目视核对过，只错了一个被切掉一截的日期，才送出全部六百多页。给 AI 的指令重点有五条：

• 照原样一字不改，错字也照抄，不修正、不摘要、不翻译，也不补字。
• 标题、清单和表格的结构都保留。
• 勾选框、荧光笔、手写和签名，用固定的记号标出来。
• 页首、印章和页码，也照原位置抄下来。
• 看不清楚的标「看不清」，没把握的字照最可能的读法写，后面加问号。

后面会看到，这些标记正好指出人该看的地方。

Transcribe this scanned page into GitHub-flavored Markdown, verbatim.

Rules:
- Reproduce every printed word exactly as it appears, including typos, numbering, units, dates and punctuation. Do not correct, summarize, translate, reorder or add anything.
- Keep the structure: headings, numbered and bulleted lists, indentation levels, and tables (use Markdown tables). For complex forms, write one "Field label: value" line per field in reading order.
- Keep emphasis: **bold**, *italic*, <u>underline</u>.
- Checkboxes: [x] for checked, [ ] for unchecked.
- Highlighter marks: wrap the highlighted text in ==double equals==. Handwritten ticks or marks in margins: [handwritten mark].
- Handwriting: transcribe it if legible and prefix it with [handwritten]. Signatures: [signature].
- Fax headers, stamps, page numbers, headers and footers: include them on their own lines, in place.
- Illegible text: [illegible]. A word you are unsure of: write your best reading followed by [?].
- If the page is blank or nearly blank, output exactly: [blank page]
- Output only the transcription. No preface, no comments, no code fences.

实际花了多少钱？

新增的用量费约 US$7，其中约 US$6 花在 AI 逐页转写，换算每 1,000 页约 US$9.6，一页约 1 美分；云端 OCR 每 1,000 页 US$1.50。

这 7 美元只算按用量付给两家云端服务的钱，不含我原本就在付的 AI 订阅（写代码、组文件、验证的 Claude，以及帮忙审查的 Codex 和 Antigravity），也不含人力时间。没有这类订阅、或要请人写代码的话，要另外算。免费的开源工具，也要有人会安装、会下指令。

转写是按 tokens 计费的。tokens 是 AI 计算文字和图片用量的单位，不等于页数或字数。Sonnet 5.5 批次的单价是每百万 tokens 输入 US$1、输出 US$5（官方定价）。这次输入 3,189,072 tokens、输出 569,843 tokens，平均每页约 5,000 和 900，换算每 1,000 页约 US$9.6。页上字越多、图像越细，费用越高；要估自己的文件，最准的方法是试跑 5 页再乘以页数。官方说批次大多在一小时内完成，24 小时内没处理到的请求会过期、不收费；这次五分钟内就全部回来了。

📊 关键数据

• AI 逐页转写：每 1,000 页约 US$9.6（一页约 1 美分）；六百多页约 US$6.04（Claude Sonnet 5.5 批次）
• 云端 OCR：每 1,000 页 US$1.50；六百多页约 US$0.95，服务器端处理 37 秒
• 免费 OCR：Tesseract 软件免费，跑约 36 分钟（含把 PDF 转成图像）
• 经过时间：从下载到第二版约 6 小时，有 AI 代理人写代码，不是第一次做的人的工时估计

这 6 小时大致分成四段：试跑 5 页并核对，约 45 分钟；整批转写和逐页比对，约 45 分钟；决定整理成文件库之后的第一版，约 1 小时 10 分；开云端账号、跑云端 OCR、做出第二版，约 1 个半小时。中间有一段在处理别的事。

免费的 Tesseract 和云端 OCR 差多少？

看中位数差不多，看最差的那几页就差很多。

Claude 拿 AI 转写当对照，看两套 OCR 读出来的字，有多少跟转写对得上。只算有连续内文的 557 页：

中位数只差 1.5 个百分点。Tesseract 有 66 页对不上的字超过一成，换成云端 OCR 只剩 3 页；两套差距超过 2 个百分点的 185 页，全部是云端那一边比较好。

这个比例量的是两套工具的一致度：对照组是 AI 的转写，它自己也可能错，所以拿来挑出该回去看原图的页，不能当成正确率。这也只是一批英文打字文件的结果，中文、直书或大量手写的文件，结果可能完全不同。

时间上，Tesseract 在两颗 CPU 的云端工作环境上，转图像加辨识跑了约 36 分钟；云端 OCR 在服务器端只花 37 秒。

两套结果怎么互相抓错？

逐页比对，把对不上的页挑出来一页一页看。这次两边都抓到对方的问题。

OCR 抓到转写的错。 转写完，Claude 又跑了一份免费 OCR 的全文，两份逐页比对。有一页的转写只剩一行页首，OCR 却读出整页内文：AI 在这一页整页漏掉了，批次结果却显示成功。这一页后来对照原图重新转写。只看转写本身，这种错很难发现。

转写也抓到 OCR 的问题。 有两页是手写的表单，免费 OCR 读成一串乱码，转写逐格标出了手写的内容。前面那张表，也是拿转写当尺，才找得出 Tesseract 读得最差的那 66 页。

转写自己标出没把握的地方。 转写在两个地方标了不确定：一处是一个标准编号，最后一码没读出来；另一处标了看不清。第一处，云端 OCR 读出完整的编号，信心值 0.948（OCR 对自己读法的把握，最高是 1），放大原图确认是对的。第二处放大原图后，看出是修订追踪的注解编号，跟同一份文件后面的编号连号。

方向侦测只能当提示。 开源的方向判断模型标出 7 页没摆正，其中 3 页是真的，另外 4 页它自己的把握都很低，看过全是误判；云端 OCR 回报有角度的页里，也有 2 页只是字写斜了。有标出来的页，都要看一眼再决定转不转。

整理成文件库，要定哪些规则？

先定规则，再动手：

• 代码：每一批用该批文件的日期开头，批内序号照该批自己的清单编；清单上有但扫描里找不到的，也先保留一个代码，这次约有两成的代码是先保留的。日后补来新文件，接得上，也不会打乱旧编号。
• 原件不动：收到的原始扫描文件放在独立的文件夹，完全不改。整理出来的 PDF 沿用原本的图像，不重新压缩；页码印记印在每页下方另外加的一条窄边上，不盖到原件；横式的页直接用阅读方向组页。
• 分开放：PDF、Word 文字版和原始扫描各放一个文件夹，避免开错文件。
• 文字版标明身分：Word 文件方便搜索和复制，但可能有错，每份开头固定一句「引用以 PDF 或原始扫描为准」。
• 总目录：一份 Excel，放文件清单、每页的文字核对分数、找不到的文件与缺页、跟原索引不同的地方，以及每个文件的「指纹」（SHA-256 杂凑值，用来确认文件传过去之后没有变）。

规则定好、还没动手之前，我请另外两个 AI 工具（OpenAI 的 Codex、Google 的 Antigravity）各自挑错，两边互不知道对方的意见，各提了十几条。上面几条规则，大多是这轮审查之后定下或修过的。Codex 还抓到索引里那封信的日期写错：原件上三个地方的日期都一致，是索引写错了，批次的顺序因此改过。它指出的事实错误，都回头对照原件核实过才采用，做法跟我之前写的让 codex 挑 Claude 的错，但不照它说了算一样。

交件前要验什么？

要交给别人用、或要长期存档的话，交件前至少验这几件：

• 每一页都有归属：属于哪份文件、是分隔页，还是重复的影本，逐页对账。
• 整理后 PDF 里的图像，逐张跟原文件比对，完全相同。
• 每一页都搜得到字；抽几页把看不见的字改成红字叠回去，看位置对不对，转向的页一定要抽。
• 文件清单附上每个文件的指纹，传到对方电脑后重算一次，确认没有传坏；压缩文件里不要夹带 Mac 的隐藏文件。

这些检查都是 Claude 写代码跑的。只是自己要搜索的话，抽几页对照原图就够了。验证程序本身也会出错，这次就遇过一次误报，所以检查失败时，量尺和被量的东西都要查。

有没有更便宜的 AI 转写，或免费的开源模型？

有，质量要另外试。以下是 2026 年 10 月的官方单价，只有 Sonnet 是我实测的：

粗估的前提：每页产出的文字量跟这次一样，约 900 tokens。Claude 的输入沿用这次的每页约 5,000 tokens；Gemini 的 PDF 每页默认 560 tokens，再加上指令约 350 tokens。Gemini 如果开了思考，思考的 tokens 也按输出计价（Gemini 定价页），表中没有算进去。

单价高低，说明不了质量。便宜的模型会不会漏字、会不会自己补字，只能用自己的文件试：拿那 5 页最难的，同时丢给两个模型，逐字对照原图，再决定整批用哪个。

开源的 AI 辨识模型（olmOCR-2、PaddleOCR-VL 等）授权不用付费，但要有显卡（GPU），或花时间在自己电脑上架设。今年 7 月有一篇针对老旧扫描的评测，最高分的模型也只通过不到一半的检查项，而且其中一类检查会奖励省略信头和印章，要保留原貌的人要看细项（原文）。排行榜只能当线索。

上传到云端之前，各家的数据政策怎么写？

开头那三个问题，这次用到的两家，官方是这样写的：

• Azure AI Document Intelligence：送进去的文件和分析结果，在分析完成后保存 24 小时，之后自动删除，也可以调用 API 提早删（官方说明）。会不会拿去训练，这页没有写。
• Claude API：商业产品的输入和输出，默认不拿来训练模型（隐私中心）；后端在 30 天内删除，但有例外情形（保存期限说明）。这两页没提能不能提早删；如果用批处理，批处理文档写着请求和结果最多保存 29 天，处理完可以调用 API 删除那一批，但没写删除后数据是不是立刻清掉。

查数据时另外看到一条：AWS 的 AI 服务可能保存并使用客户内容来改善服务，用途包括训练模型，也可能存到你使用区域以外的机房。Textract 在名单上，要通过 AWS Organizations 的 AI 服务退出政策关掉。官方页没写的部分，就是还没确认，不等于安全。

照这次的经验，顺序可以怎么排？

回头看，有两步可以省：

• 第一版的 Tesseract 文字层，一个半小时后就被云端 OCR 换掉，第一版也没交出去，直接进了垃圾桶。文件可以上云端的话，一开始就用云端 OCR，可以少做一轮组文件和验证。
• 云端 OCR 本身会回报页面角度。用了它，独立的方向判断模型可以省掉，把有角度的页看一眼就好。

建议的顺序：先挑 5 页最难的试跑，决定转写用哪个模型，便宜的先试；文字层交给云端 OCR，文件不能出门就用 OCRmyPDF；两份结果逐页对照，挑出要人看的页；最后才组文件和验证。

收到的原始扫描文件完全没改

收到的原始扫描文件，原封不动放在文件库的独立文件夹里。整理出来的每一份 PDF，都沿用原本的图像，没有重新压缩；多出来的东西都加在图像之外：一层看不见的字、每页下方印着代码的窄边、书签，另外每份配一个 Word 文字文件，最上层一份总目录，标出哪里缺页、哪里跟原索引不同。

不管你走哪一条路，原始文件都另外存一份，所有处理都在副本上做；OCRmyPDF 的转正、拉直选项会调整页面，输出的图像不一定跟原文件相同。下一批扫描进来，照同一套代码接着编，同一支程序再跑一次。更多工具实作的记录，放在「创造与建构 → 工具与实作」。