实用指南
为什么扫描 PDF 必须走不同的转换路径
普通 PDF 文本提取器读取的是文件中已经存在的字符层；扫描件往往只有整页图片，所以人眼看起来清晰，程序却可能提取不到任何文字。DocKernel 会把这一区别直接显示出来：含可选文字的 PDF 优先在浏览器本地处理，预览提示“未检测到文本”时，才进入需要登录的 AI/OCR 转换路径。这样可以避免生成空白 Markdown，也能在文件进入笔记、代码仓库或知识库之前建立明确的检查节点。
OCR 效果会受到分辨率、对比度、页面倾斜、语言、字体、分栏、手写内容、印章和压缩噪点影响。合理目标不是逐像素复制 PDF，而是得到阅读顺序基本正确、标题和段落清楚、页码可追踪、关键字段便于复核的 Markdown。原始 PDF 应继续作为记录依据；姓名、日期、金额、编号和法律文本要逐项核对；复杂表格、签名或视觉页面应进入人工复核，而不能把机器输出直接当成已经验证的事实。
哪些情况适合 OCR PDF 转 Markdown
- PDF 看起来有文字，但选中或复制后得不到可用内容。
- 文件来自扫描仪、手机拍照、传真归档或纯图片导出。
- 你需要建立可搜索笔记或 RAG 数据，并且能够复核姓名、日期、金额与页码。
- 一个混合 PDF 同时包含正常文本页和少量扫描页、照片页。
操作流程
用四个可控步骤把扫描 PDF 转成 Markdown
- 01
先运行本地检测
上传 PDF 并启动浏览器转换。如果文件带有文本层，可能无需上传服务器就能得到可用结果。
- 02
确认确实需要 OCR
预览没有检测到文本时，先排除加密、损坏或不支持的文件，并检查页面是否确实由图片组成。
- 03
启动 AI 转换
登录后对支持的文件运行 OCR 流程。当前前端保护限制为 10 MB，并且最多处理 20 张页面图像。
- 04
复核后再使用
对照原 PDF 检查标题、姓名、日期、数字、表格、脚注和跨页顺序，再决定是否发布或写入知识库。
转换示例
示例：扫描项目备忘录转成可编辑 Markdown
这个代表性示例的输入是一张纯图片页面。合格输出需要保留文档标题、日期、列表结构和页码标记，让审核者能快速回到扫描原件确认不确定内容。
PDF 原始内容
[扫描页面图片]
项目交接备忘录
日期：2026 年 9 月 8 日
1. 导出归档
2. 核对 24 条记录
3. 上报无法辨认的签名Markdown 输出
<!-- page: 1 -->
# 项目交接备忘录
**日期：** 2026 年 9 月 8 日
1. 导出归档
2. 核对 24 条记录
3. 上报无法辨认的签名
> 复核提示：签名内容以扫描原件为准。质量基准
按文档类型划分的 OCR 验收基准
下面的矩阵用于判断哪些文件可以直接进入编辑，哪些文件必须增加人工检查。这里的“通过”表示完成指定复核后可用于目标场景，并不代表每个字符和版式都能自动完全一致。
| 文档类型 | 建议路径 | 通过标准 |
|---|---|---|
| 清晰的 300 DPI 印刷体扫描件 | OCR 云端转换 | 标题与段落阅读顺序正确，抽查姓名、日期和数字无误。 |
| 带阴影、倾斜的手机照片 | 先校正或重扫，再 OCR | 旋转和对比度处理后文字可读，所有关键字段逐项复核。 |
| 手写、印章或密集表单 | OCR 初稿加人工录入 | 机器结果只作为草稿，业务字段必须全部与原件核对。 |
这里展示的是验收矩阵，不是“所有 PDF 都有相同准确率”的承诺。正式批量处理前，请先用你自己的代表性文件进行测试。
OCR 的限制与复核风险
OCR 会对页面进行识别和判断，因此会产生普通文本层提取不存在的错误类型。应根据错误后果安排不同强度的检查。
- 低分辨率扫描可能混淆 O 与 0、l 与 1、标点或相近汉字。
- 分栏边界不清时，左右栏可能被交叉读取，导致句子顺序错误。
- 手写、数学公式、签名、印章和装饰字体必须人工确认。
- 加密、损坏、超大或页数异常的文件通常需要先拆分、解密或重新导出。
常见问题
OCR PDF 转 Markdown 常见问题
1DocKernel 能把纯图片 PDF 转成 Markdown 吗？
浏览器预览会先检查文本层。没有检测到文字时，界面可对符合限制的扫描件提供登录后的 AI 转换路径。OCR 可能误读字符和阅读顺序，所以结果仍需复核。
2OCR 能完整保留原 PDF 版式吗？
目标是得到实用的 Markdown 结构，而不是逐像素复刻。标题、段落、列表、页码和关键标签比绝对坐标更重要，复杂表单和视觉版式通常需要人工整理。
3OCR PDF 转换是否私密？
可选文字预览在浏览器本地运行；OCR 属于另一条由服务端支持的处理路径，可能涉及配置的处理服务、存储和保留策略。敏感材料上传前请先阅读安全和隐私页面。
4怎样提高扫描 PDF 的 OCR 准确率？
使用平整、高对比度、方向正确的扫描件，去掉大面积空白边缘，避免阴影和运动模糊，过大的文档先拆分。姓名、日期、金额、证件号和法律文字必须再次核对。