如何在 Chrome 中从图片里复制文字(2026)
你对着一张文档照片点右键,期待出现「复制文字」选项,结果只看到「图片另存为」。桌面浏览器从来没有那个菜单项。文字就在屏幕上,但它们是像素,而从 GPU 到你的剪贴板之间,没有任何东西把它们变成文字层。
能用的工作流是这样:右键菜单或工具栏按钮叫出选择器,在页面想要的部分上拖出一个框,在一个小窗口里得到可编辑文字,复制它。识别在本地完成。下面逐步拆解,以及每一步实际做了什么。
为什么浏览器做不到这件事
图片元素就是一张位图。DOM 知道它的宽、高和 alt 文字,却不知道图片画的是什么。在内置查看器里打开的 PDF 通常确实有文字层,但被压平成整页图片的 PDF、Slack 消息里的一张截图、视频的一帧,或者画在 <canvas> 上的文字,都没有任何可供选中的东西。从上面拖过去什么也选不中,因为压根没有可选项。
所以从图片里复制文字是两个独立的活儿:先抓取屏幕上的一块矩形区域,再识别区域内的字符。第一件是扩展能够到的浏览器 API;第二件需要一个 OCR 引擎。这就是为什么它是一个扩展,而不是一个设置项。
两种起步方式
下面任何一种都会在当前标签页上启动区域选择器:
- 右键菜单 —— 菜单项出现在页面、选区、框架、图片、链接和视频这些上下文里。在
<video>元素上,这个菜单项让你抓取当前屏幕上的那一帧。 - 工具栏弹窗 —— 弹窗里的按钮启动同一个选择器,弹窗也是你设置识别语言、查看历史的地方。
两条路都通向同一个地方,挑离你手最近的那条就行。弹窗会在多次会话之间记住你的语言选择;在那里选定的 Pro 语言会被记住。
画出这个框
覆盖层出现时,页面会冻结滚动——这很重要,因为一次在拖拽过程中滚走的区域,抓到的是错的内容。拖动来定义矩形;框按页面自身的坐标绘制,按下 Esc 就会取消一切并恢复滚动。任意一边小于约 8 像素的拖拽会被当作误点丢弃,而不会送去识别。
关于怎么框这个区域,有两条实操提醒:
- 宁紧勿松。 识别只读矩形以内的东西。空白页边、装饰性边框或相邻的那一列都会增加噪声;只框住你想要那一段,更快也更准。
- 文字太小就先放大。 抓取就是一张截图,所以屏幕上的尺寸就是输入的尺寸。对一张密集的表格按两下
Ctrl++,比任何引擎设置都有用。
那些像素经历了什么
这正是人们担心的部分,所以这里是完整路径:
- 可见标签页被抓取成一张 PNG。只有屏幕上的东西——扩展从不读取页面的文件,也不向任何地方发送任何东西。
- 矩形按物理像素裁剪,缩放比例直接从截图本身量出来——截图位图宽度 ÷ 视口宽度,高度同理。这个比例同时吸收了 HiDPI 和页面缩放;只靠
devicePixelRatio,在 2× 屏上开 125% 缩放就会算错,所以它只在视口信息缺失时兜底。在 2× HiDPI 屏上,裁剪会保留那些额外像素而不是丢弃,这就是同一个框在 Retina 屏上比在 1080p 屏上读得更好的原因。 - 裁剪后的图片进入一个 580×660 大小的弹窗,那个弹窗自己运行 OCR 引擎。
引擎是 WebAssembly,从扩展内部加载,两个内置语言包随它一起打包。凡是打包进来的东西都不需要一次网络往返,这就是清单声明扩展可离线使用、而它能触达的唯一远程地址就是授权端点的原因。裁剪下来的图从不出这台机器。
读取并复制结果
文字落在一个可编辑框里,而不是静态段落——你可以改一个读错的字,而不必重跑一次抓取。它下面有两个按钮:
- 复制 写入剪贴板。如果浏览器拒绝现代剪贴板 API,复制就退回到选中文本并发出一条传统复制命令,所以按钮照样能用。
- 下载为 .txt 把识别结果存成以时间戳命名的 UTF-8 文件。这一项属于授权,没有权限时按钮只是轻推提示而不下载。
每次成功的识别还会追加进一个本地历史列表,最新的在最前,所以你一小时前从一张截图里抠出来的那段话还在那里。免费版保留最近 10 条;授权版保留 200 条。
什么时候 OCR 是错的工具
识别是一种补救步骤,不该养成习惯。在伸手用它之前,先确认文字是否已经存在于某个能免费取到的地方:
| 情形 | 更好的第一步 |
|---|---|
| 页面显示的是真正的、可选中的文字 | 选中并复制。精确、即时、免费。 |
| 带文字层的 PDF | 从浏览器的 PDF 查看器里复制,或保存文件。 |
| 渲染成图片的扫描 PDF | 对那一块做 OCR——这就是它的用武之地。 |
| 烧进照片或表情包里的文字 | 用 OCR。 |
| 正在播放的视频的一帧 | 先暂停,然后右键视频,启动选择器。 |
| 画在 canvas 或 WebGL 表面上的文字 | 用 OCR——DOM 里根本没有文字。 |
准确度跟着输入走。干净、深色、光照均匀、字号够大的文字,结果近乎完美。长串数字——发票号、IBAN、快递单号——这些地方你仍然该对照图片核一遍,因为形近字形正是引擎最容易出错的地方。
值得知道的限制
- 不付费每天 20 次识别。 计数在本地零点重置,而且一次运行只有在引擎交回结果之后才计数——失败的抓取、你用
Esc取消的页面,都不消耗你的额度。 - 英文和简体中文内置且免费。 另外七个语言包(繁体中文、日语、韩语、俄语、法语、德语、西班牙语)属于授权,首次使用时下载。
- 仅限普通页面。
chrome://页面、扩展管理页和 Web Store 都拒绝内容脚本注入,所以菜单项和工具栏按钮在那里什么都不做。 - 只有可见标签页。 抓取就是截图,所以折叠线以下的文字必须先滚进视野才能框。
- 一次一块区域。 双栏页面需要拖两次;框是个矩形,不是智能版面识别器。
授权是一次性买断,不是订阅;它同时取消每日上限、把历史扩展到 200 条,并开启 .txt 导出。
一份简短清单
按你实际会用的顺序总结如下:
- 文字能选中吗?如果能,选中并复制——别用 OCR。
- 如果不能,就把那块区域完全滚进视野,并放大到字形看着舒适为止。
- 右键页面 → 那个菜单项(或用工具栏按钮),贴着文字拖出一个紧的框。
- 如果文字不是英文也不是简体中文,开始前先在弹窗里选好语言。
- 如果有一个字读错了,就在结果窗口里改掉它,然后复制。
- 凡带数字的东西,在把它粘贴到要紧的地方之前,先扫一眼图片核对。
FAQ
Chrome 自己能从图片里把文字抠出来吗?
桌面端不行。Chrome 没有任何右键菜单选项,能对页面上任意一张图片跑 OCR。Android 和 Windows 11 上的系统级文字工具作用于你的整个屏幕,而不是你选中的某块网页区域;浏览器里也没有任何东西能把一张 JPEG 变成文字层。
图片会被上传到服务器吗?
不会。识别在扩展窗口里用一个 WebAssembly OCR 引擎完成,两个内置语言包就在扩展内部打包。扩展被允许触达的唯一网络地址就是它自己的授权端点,所以抓取的内容一直留在你机器上。
为什么这个扩展在某些页面打不开?
它只能注入 http、https 和 file 页面。像 chrome://settings、扩展管理页和 Chrome Web Store 这样的浏览器页面对所有扩展都是禁区,所以菜单项和工具栏按钮在那里会悄无声息地什么也不做。
选中文字和识别文字有什么区别?
如果页面已经含有真正的文字,普通选中更快,而且永远精确。OCR 是为那些字母就是像素的情形准备的:一块招牌的照片、渲染成图片的扫描 PDF、视频的一帧、画在 canvas 上的文字。识别是对那些像素的尽力读取,所以长串数字和不常见的字体才是你该反复核对的。
更多指南见 VKT 博客;问题反馈:[email protected]。
