哈哈，这个其实就是**OCR（光学字符识别）**技术在背后起作用！我来给你把原理和创建方法讲清楚：

为什么扫描PDF能选中文字？ #

扫描生成的原始PDF本质是把纸质文档拍成了图片集合，本身没有可编辑/选中的文本内容。当给它应用OCR技术后，会在原始扫描图片的上方生成一层完全对齐的透明文本层——你选中复制的就是这层文本的内容，而OCR识别难免会有误差（比如字体模糊、手写体干扰），所以复制出来的文字才会出错。这种PDF被称为「可搜索的扫描PDF」，既保留了原始扫描的视觉效果（包括签名、手写批注、纸张纹理等），又新增了文本搜索、选中复制的功能。

如何创建这类PDF？ #

根据你的使用场景，有几种常用方式：

桌面工具（适合普通用户） #

• Adobe Acrobat 标准版/专业版：打开扫描PDF后，在「工具」面板找到「扫描和OCR」，选择「识别文本」→「本文件」，选择对应的识别语言后等待处理完成，保存即可。（注意Reader DC是免费版，没有OCR功能，需要付费版本）
• 福昕PDF编辑器：导入扫描PDF后，在顶部菜单「转换」中选择「OCR识别」，设置识别语言和输出选项，执行后就能生成带文本层的PDF。

在线工具（适合临时需求） #

很多免费在线PDF工具都支持OCR功能，上传你的扫描PDF后，选择「添加可搜索文本」或「OCR识别」选项，处理完成后下载生成的PDF即可。注意：如果PDF包含敏感内容，不建议使用公共在线工具，避免信息泄露。

命令行工具（适合技术爱好者/批量处理） #

用开源的OCR引擎tesseract结合Ghostscript可以批量处理：

1. 先把PDF的每一页转换成高清图片：

   gs -dSAFER -dBATCH -dNOPAUSE -sDEVICE=png16m -r300 -sOutputFile=page-%03d.png input.pdf
   

2. 用tesseract识别图片并生成带文本层的PDF：

   tesseract page-001.png output pdf
   

   如果是多页PDF，可以写个简单的Shell脚本循环处理所有图片页，再合并成单个PDF。

内容的提问来源于stack exchange，提问作者Vojtěch Dohnal