把OCR模型塞进HTML里:扫描版PDF转Word,免安装、不联网,告别付费!

这次更新只做一件事：把"扫描件转 Word"这件事，完整地搬到本地来跑。

它到底是怎么做到的

一句话：把 OCR 引擎和识别模型，一起塞进了一个 HTML 文件里。

你拿到的是 OCR离线版.html，双击打开，选「PDF转Word」，勾上 OCR，点生成——几秒到几十秒后，得到一份可编辑的 .docx。

整个过程：

• 不联网：模型、引擎、PDF 解析库全部内联在那个文件里。你可以先拔网线再打开；
• 不上传：文件从头到尾没有离开你的电脑，没有服务器，没有接口；
• 不装东西：没有客户端、没有插件、没有运行库，不需要管理员权限，不写注册表；
• 不留痕：关掉页面，内存里的东西就没了。

U 盘拷过去能用，内网共享盘拷过去能用，隔离网里的机器照样能用。

为什么我坚持做"离线"

不是技术洁癖，是三个很现实的原因。

第一，隐私。带红章的通知、审批表、合同、名单，这些东西上传到任何一个第三方服务器，都是一次无法撤回的信任支出。离线跑，就根本不存在这个问题。

第二，内网。很多单位的办公机没有外网，或者不允许访问外部服务。在线工具再好，在那里也是零。

第三，可持续。在线服务会涨价、会关停、会改规则。一个能双击打开的文件，三年后还能打开。

扫描件千奇百怪，这才是真正的难点

把 OCR 引擎跑起来不难，难的是扫歪的、盖了章的、横过来拍的这些真实文件。

这次花了最多时间的，就是解决这些事。

目前转换的效果已经非常好！

但是我们下一步的目标是将转换的效果做到极致！

不说1:1还原，至少也要超过99%的相似！

能力边界，我也说清楚

它不是万能的，避免你白折腾：

• 能转：印刷体、扫描件、照片（清晰度别太差）、公文、合同、通知、表格清单；
• 有限：手写体、艺术字、极度模糊或有严重污损的扫描件，识别率会明显下降；
• 不行：复杂公式、化学结构式、彩色图文混排的杂志版式，转出来只能算"能用"，不是"完美还原"。

另外，离线版的 OCR 只带中文、英文模型（含常用符号与数字）。

怎么用（三步）

1. 下载 OCR离线版.html（一个文件，约 9 MB）；
2.  双击打开，选「PDF转Word」，扫描版pdf会自动识别勾上「扫描件 OCR」；
3.  点生成，等进度跑完，保存 .docx。

最后

我知道很多人对"免费工具"是有戒心的——怕广告、怕捆绑、怕偷偷上传。

这个工具的做法很笨：一个文件，全部内置，不联网也能跑。你可以断网验证，也可以直接看它有没有发请求。

为了实现这个效果，经过长时间的打磨，尝试了无数的方法，最终将模型的体积优化到了极致！一个不带OCR的PDF工具箱3MB，一个内置OCR模型的PDF工具箱体积仅9MB，浏览器运行也可以酣畅淋漓！

不过需要提醒大家一下的是，

目前离线OCR单文件版本尚未上线提供下载，因为还有一些细节需要优化！

预计于10月底之前上线！

不过，目前线上版本已经发布，可以到线上体验并反馈使用意见！OCR离线版上线了第一时间发文告诉大家。