扫描版 PDF 与文本型 PDF 的区别：OCR 识别与翻译流程

两个看起来完全相同的 PDF，处理方式可能不同。文本型 PDF 内部保存字符和坐标，扫描版 PDF 可能只有页面图片。前者可以直接提取文字，后者必须先经过 OCR。本文介绍如何判断 PDF 类型、OCR 的处理步骤，以及混合型文档中容易被忽略的问题。

三类常见 PDF

文本型 PDF 通常由 Word、排版软件或浏览器直接导出，页面中包含字符对象。用户可以选择、复制和搜索文字。

扫描型 PDF 多由扫描仪或拍照生成，每页本质上是一张图片。人眼能看到字，程序却只能看到像素。

混合型 PDF 同时包含两种内容。例如封面和正文是文本，附件是扫描件；或者页面上显示扫描图，下方叠加一层不可见 OCR 文本。这类文件最容易误判。

快速判断方法

最直接的方法是尝试选择一段文字，然后复制到纯文本编辑器。结果正常，说明页面大概率存在可用文本层；完全无法选择，可能是扫描图；能选择但复制后乱码，则可能存在字符映射问题。

搜索文档中的独特词语也很有帮助。如果画面上有这个词，搜索却没有结果，当前页面可能没有文本层。

命令行可以使用 pdffonts 和 pdftotext：

pdffonts document.pdf
pdftotext document.pdf –

如果 pdffonts 没有列出字体，pdftotext 也几乎没有输出，扫描件的可能性较高。不过，这仍不是绝对判断。部分 PDF 会把文字转成矢量轮廓，画面清楚却不存在普通字符对象。

还可以查看页面图像：

pdfimages -list document.pdf

如果每一页都有一张接近整页尺寸的大图，通常说明文档由扫描页面构成。

不要只凭一个命令下结论

更稳妥的检测是把字体、文本量和整页图像结合起来。下面的 Shell 片段输出三个线索：

file="document.pdf"
pdfinfo "$file" | awk -F: '/^Pages/ {print "Pages:", $2}'
printf 'Extracted characters: '
pdftotext "$file" – | tr -d '[:space:]' | wc -m
printf 'Font rows: '
pdffonts "$file" | awk 'NR > 2 {count++} END {print count+0}'
pdfimages -list "$file" | sed -n '1,12p'

文本字符多、字体存在，通常说明有文本层；字符接近零、没有字体、每页又有一张大图，扫描件的可能性很高。如果只提取到页码或页眉，而正文仍是图片，字符数也可能大于零。因此混合型 PDF 应按页抽样：

for page in 1 5 10 20; do
printf '\\n— page %s —\\n' "$page"
pdftotext -f "$page" -l "$page" document.pdf – | sed -n '1,8p'
done

抽样页应覆盖封面、普通正文、表格密集页和附件。第一页能复制，并不能证明第 80 页也有文本层。

OCR 实际做了哪些事

OCR 不只是“识别图片里的字”。完整流程通常包括：

扫描歪斜几度，人眼仍能阅读，文本行检测却可能被切错。阴影、装订处弯曲、透页和水印也会降低识别率。拍照生成的 PDF 还可能存在透视变形，页面上方和下方的字符大小不同。

中文、日文和混合语言文档需要正确指定识别语言。只使用英文模型处理含中文的说明书，结果自然会很差。多语言模型覆盖更广，但速度和歧义处理也可能不同。

分辨率并非越高越好

OCR 通常需要足够清晰的字形。过低分辨率会让小字笔画粘连或消失，尤其是脚注、表格和代码。

常见扫描工作可以从 300 DPI 左右评估，但具体要求取决于字号、字体和原件质量。把模糊的 100 DPI 图片简单放大到 600 DPI，不会凭空增加真实细节，只会生成更多插值像素。

彩色背景、浅色文字和工程图纸可能需要单独的图像预处理。对普通黑白文档有效的二值化参数，用在带彩色警告框的手册上，可能会把细线和标记一起删除。

用 OCRmyPDF 生成可搜索文本层

OCRmyPDF 适合为扫描 PDF 增加文本层。安装好 OCRmyPDF、Tesseract 和所需语言包后，先处理副本：

ocrmypdf \\
 –deskew \\
 –rotate-pages \\
 –language eng+chi_sim \\
 –output-type pdf \\
input-scan.pdf output-searchable.pdf

–deskew 纠正轻微倾斜，–rotate-pages 尝试判断页面方向，eng+chi_sim 表示英文与简体中文。语言包必须实际安装。加入与文档无关的语言可能增加歧义和处理时间。

输入已经有文本层时，不要随意强制 OCR。确实存在损坏 OCR 层，可以先对副本测试：

ocrmypdf –redo-ocr –language eng input.pdf output-redo.pdf

–force-ocr 会重新栅格化页面，可能损失矢量内容、链接或已有文字，应视为最后手段。处理前后用 pdfinfo、pdffonts、pdftotext 和页面渲染结果共同检查。

只识别单页图像时，可以直接调用 Tesseract：

pdftoppm -f 3 -l 3 -r 300 -png input.pdf page
tesseract page-3.png stdout -l eng+chi_sim –psm 3

–psm 3 自动分析布局。单列文本、稀疏文字或表格可能需要其他模式，不能固定一个参数处理所有页面。

怎样抽样评价 OCR

OCR 置信度可以帮助找低质量区域，但高置信度仍可能识错型号和数字。实用做法是从不同版式页面人工标注少量真值，再计算字符错误率：

CER =（替换字符数 + 删除字符数 + 插入字符数）÷ 真值字符总数

测试报告应写明语言、页码、扫描分辨率、样本字符数和是否包含表格。只说“准确率 98%”却没有样本构成，意义有限。

没有标注工具时，可以先做高风险抽查：核对容易混淆的 0/O、1/l/I；抽取数字和单位与页面图像对照；检查每页第一行和最后一行是否被裁掉；检查连字符断词、跨栏顺序和表格小字。

OCR 后出现重复文字，通常是旧文本层没有清理又叠加了新层；页面方向错误，先检查自动旋转；文件突然变大，检查是否把原压缩图片重新编码成高分辨率页面图。

不可见文本层的作用

OCR 完成后，可以把识别结果作为不可见文本层叠在原图上。视觉上仍是原始扫描页，但用户可以搜索和复制文字。

文本层的位置必须与图中文字匹配，否则选择范围会偏移。识别错字也会被隐藏起来：页面看上去正常，复制出来却是错误内容。这类问题在翻译前不容易察觉，因为人眼看到的是图片，翻译系统读取的却可能是错误文本层。

处理重要文档时，可以抽取几页文本进行检查：

pdftotext -f 1 -l 3 document.pdf sample.txt

重点查看数字、单位、型号、专有名词和表格行列。它们比普通自然语言更难通过上下文自动纠错。

OCR 后再翻译要注意什么

翻译系统依赖 OCR 输出。一个字符识别错误，可能改变整个句子的含义。例如型号中的 O 被识别成 0，普通翻译模型未必知道它是产品编号。

合理流程是先确认 OCR 文本可用，再进行段落和版面分析。技术资料至少要保护：

• 命令、代码和文件路径；

• 产品型号与部件编号；

• 数值、单位和公差；

• URL、邮箱和版本号；

• 表格的行列对应；

• 安全警告和否定词。

扫描件还应保留原图，方便译文与原始证据对照。只留下 OCR 文本，会丢失印章、手写标注、图示和版面关系。

混合型 PDF 的处理策略

不要因为前几页能复制，就默认整份文件都是文本型。更稳妥的做法是按页检测文本数量和图像覆盖范围，再决定哪些页面需要 OCR。

对已经有高质量文本层的页面重复 OCR，可能生成两层文字，导致复制时内容重复。相反，如果直接跳过所有带文本的页面，又可能漏掉“图片正文 + 少量页码文本”的扫描页。

大型文档可以先抽查封面、正文、表格密集页和附件。若版式差异很大，分批处理通常比整份套用同一参数稳定。

批量处理时建议保留原始文件、OCR 输出和抽取文本三份结果。原件用于回溯，OCR PDF 用于后续翻译，纯文本用于差异检查。不要让 OCR 工具直接覆盖唯一原件。

一些在线翻译工具可以直接接收整份 PDF。例如Google Translate、DeepL、 PDFTranslator 面向长文档和多语言翻译，并尝试保留页面结构。上传前仍建议先判断文件类型；扫描质量过差时，先改善 OCR 输入往往比反复翻译更有效。

文本型 PDF 的起点是字符和坐标，扫描型 PDF 的起点是像素，混合型 PDF 则需要逐页判断。OCR 的准确度受分辨率、倾斜、语言、背景和字体影响。翻译前先验证文本层，可以避免把识别错误带入后续流程。