扫描件最大的问题是搜不到：一份 80 页的档案，想找某个合同号只能一页页翻。行业里的标准解法叫双层 PDF —— 上面一层还是原来的扫描图像，下面叠一层透明的文字。看上去和原来一模一样，但能选中、能搜索、能被索引。

原理：两层，各干各的事

图像层：原扫描的页面图，负责「看起来是什么」。
文字层：识别出来的字符，按位置对齐排在图下面，透明度设为不可见，负责「能被读到」。

关键点是这两层位置必须一一对应。这也是双层 PDF 比普通「识别成文本」更麻烦的地方：它要记录每个字的坐标，而识别输出的顺序是线性的。

必须说清：本站不生成双层 PDF

这一项能力本站目前没有做 —— 不提供把文字层写回扫描 PDF、也不提供带坐标的 OCR 输出文件。不要因为看到这一页就以为本站能一键生成可搜索扫描件。

站内能做的是把文字取出来，走另外三条路：

那「能搜到」这个目标还成不成？

成，而且对大多数人更好用。 双层 PDF 的价值在于一个文件同时满足版面和检索，但如果你能接受两个文件，效果往往更实用：

原始扫描件 PDF（保留版面与效力）+ 一份识别出的 TXT（负责搜索）。

落地做法：

  1. 扫描件按页或按份编号，PDF 存档不动它
  2. 逐份识别成 txt，文件名与 PDF 完全同名放在同一目录
  3. 用系统全文索引这个目录（Windows 搜索、Mac 聚焦）
  4. 搜到关键词后打开同名 PDF 看原样

这样「搜」和「看」各有其主：文本负责定位，PDF 负责呈现。而且比双层 PDF 多一个好处 —— 文本可以随时重新生成，原件永远不被修改。

双层 PDF 也不能做的三件事

一、双层 PDF 里的文字层，同样受识别准确率限制。 它不会比识别本身更准，而且错字被藏在一层看不见的地方，你只在搜索不到时才发现问题。

二、放大或打印时用的是图像层，文字层不会变清晰。 想提升清晰度只能回到扫描分辨率，见 扫描的 PDF 能转出高清图片吗？分辨率的真相。

三、双层文件体积比原扫描件大。 多一层带坐标的文字，页多的档案体积增加明显，发邮箱前可能要压缩，见 PDF 太大微信发不出去怎么办？四档压缩参数与三条绕行路线。

什么时候确实需要真正的双层 PDF

只有两种场景值得为它专门找工具：必须在同一个 PDF 文件里既呈现原件又能被对方系统检索（例如档案管理系统要求上传可搜索件）；或者要交出的就是这一个文件，不能有附件。

如果只是自己想搜得到，上面的「同名 TXT」方案更快、更可控，也不改动原件。

一个前置动作别跳过

不管走哪条路，先确认这份 PDF 真的没有文字层。有些「扫描件」其实是半电子文件，本身就带文字，直接提取又快又准。判断方法和后续处理见 PDF 能看却不能选中复制？教你快速提取全文。