Docufinder是一款 100% 本地运行的文档内容搜索引擎，它的核心能力之一就是扫描版 PDF 全文搜索：通过内嵌的 PaddleOCR（DBNet 文本检测 + SVTR 文字识别）把纯图片页"读"成文字，再写入本地索引，让关键词、文件路径、日期过滤器全部生效。无需把 PDF 上传到任何云端 OCR 服务，扫描件、图片版合同、老旧报表都能像文本型 PDF 一样被直接搜到。

为什么扫描件搜不到内容？

普通 PDF 的每一页都内嵌一层"文字层"，搜索引擎可以直接提取。而扫描版 PDF本质是一张张图片：

• 页面上没有任何可提取的文字，右键"复制"一无所获；
• 传统全文索引只会建出一个空索引，怎么搜都没有结果；
• 多栏排版、页眉页脚还会让简单拼接的 OCR 文本左右串栏、夹带噪音。

Docufinder 的做法是：索引时自动识别出"没有文字层"的页面，把这些页面栅格化成图片，交给本地 OCR 引擎识别，再把结果并入 SQLite FTS5 全文索引。

Docufinder 的扫描 PDF 处理流程

整个流程在src-tauri的 Rust 后端完成，纯本地 ONNX Runtime 推理，无外部进程、无网络依赖（src-tauri/src/ocr/mod.rs）：

1. 扫描页判定：PDF 解析器对每一页先尝试提取内嵌文字，若可提取字符数少于 10 个或判定为乱码，即认定该页为扫描页（src-tauri/src/parsers/pdf.rs#L27-L33 中的SCANNED_PAGE_CHAR_THRESHOLD常量）；
2. 混合处理：同一份 PDF 里"文本页走直接提取、扫描页走 OCR"，互不干扰，文字型页面不浪费 OCR 算力；
3. PaddleOCR 两步识别：DBNet 检测模型先框出所有文本区域（detection），SVTR 识别模型逐区域识别并做 CTC 解码（recognition），坐标几何裁剪见geometry模块；
4. 安全护栏：单文件最多 OCR 20 页、文件上限 100MB、图片宽度上限 2000px，防止超大扫描文档拖垮索引。

💡 这些模型文件已包含在安装包里（v3.4.3+），开箱即用，运行过程中不会联网下载 OCR 相关文件。

版面分析：让多栏扫描件也按正确顺序被搜索

单纯 OCR 有一个通病：双栏文档会"左栏读一半、右栏读一半"，页眉页脚还会混进正文。Docufinder 在设置中提供了**实验性的"版面分析"**选项，基于 PP-DocLayout ONNX 模型（约 22MB，首次开启时下载一次）：

• 阅读顺序恢复：通过 XY-Cut 算法对文本区域排序，双栏、多栏扫描件按人类阅读顺序重组（src-tauri/src/ocr/reading_order.rs）；
• 区域分类：把页面划分为正文、标题、列表、表格、图片、说明文字、页眉、页脚、页码等区域（src-tauri/src/ocr/layout.rs）；
• 噪音过滤：页眉、页脚、页码在达到置信度阈值后从正文索引中剔除，搜索"页码数字"不再刷屏。

完整设计思路可阅读 docs/OCR-LAYOUT-DESIGN.md。

开启扫描 PDF 全文搜索的 3 个步骤

第一步：添加文件夹并等待索引

运行 Docufinder，左侧点击"添加文件夹"选中存放扫描件的目录（安装与目录管理流程参考 docs/install-guide.jpg）。

第二步：设置 → 搜索 选项卡，打开 OCR 开关

在 src/components/settings/tabs/SearchTab.tsx 对应界面中：

• 打开OCR开关（ocr_enabled）——扫描件与图片（jpg/png/tiff 等）才会被识别建索引；
• 需要更干净的结果时，再打开其下方的版面分析（实验性）（ocr_layout_enabled）。

第三步：触发重新索引并验证

新开启 OCR 后，界面对已索引过但从未做过 OCR 的文件夹会提示"重新索引"，点击确认即可。完成后在搜索框输入扫描件里的任意关键词（如预算、签收），命中文档会出现在结果列表中，点击即可预览对应内容。

🔎小技巧：结合关键词模式的运算符还能进一步缩小范围，例如ext:pdf只搜 PDF，path:合同限定文件夹，after:2024-06限定修改时间。

常见问题

Q1：OCR 会不会把我的文件上传到云端？

不会。OCR 使用本地 ONNX 模型，识别、索引、搜索全部发生在你的电脑上；只要不开启可选的 AI 问答功能，整个产品不存在任何文档外传路径。

Q2：一份 300 页的扫描 PDF 会全部被 OCR 吗？

不会。每份文件最多处理前 20 个扫描页（MAX_OCR_PAGES），且跳过超过 100MB 的文件，这是为了保证索引速度可控；正文文字型页面不受此限制。

Q3：为什么打开 OCR 后，旧文档搜不到？

OCR 是在索引阶段执行的，此前已索引的 PDF 没有跑过识别。按界面提示对这些文件夹执行一次重新索引即可，之后新增文件会实时自动处理。

Q4：识别结果偶尔有错字怎么办？

OCR 准确率取决于扫描件质量（分辨率、倾斜度、噪点）。开启版面分析通常能显著改善多栏和页眉干扰问题；对关键文档建议保持原文件 150dpi 以上再扫描。

核心模块路径速查

总结

让扫描件"可搜索"只需两件事：本地 OCR 识别+版面顺序恢复。Docufinder 将 PaddleOCR 与 PP-DocLayout 打包进 Windows / macOS 桌面应用，全程离线、按页混合处理、带性能护栏，配合 FTS5 全文索引和预览定位，扫描件从此不再是搜索盲区。只需"添加文件夹 → 打开 OCR → 重新索引"三步，你积累多年的图片版 PDF 就能按正文关键词被秒级搜出。