要点速览
- 文本型 PDF 用阅读器直接复制最快
- 扫描型 PDF 需导出图片再走 OCR 识别
- 导出图片建议 150dpi 以上、长边约 2000 像素
- 多页文件建议分组处理，便于核对
支持的图片格式与识别参数
| 项目 | 说明 |
|---|---|
| 支持格式 | PNG、JPG、JPEG、BMP、WebP |
| 单文件上限 | 10MB |
| 参考耗时 | 约 5 秒 |
| 识别语言 | 中文、英文 |
| 输出方式 | 复制到剪贴板、导出 TXT |
| 需先转换 | HEIC、TIFF、GIF 需另存为 PNG 或 JPG |
先做一次类型判断，能省一半时间
处理 PDF 之前值得花十秒做一个动作：用阅读器打开，试着选中一段文字。能选中，说明文件里有文字层，直接用复制功能提取，整个过程不超过一分钟。
选不中，或者选中后复制出来是乱码、空白，说明是扫描件。这种情况下必须走 OCR 路线，先把页面转成图片格式，再逐页识别。判断清楚类型，能避免用错方法白费力气。
扫描型 PDF 的完整提取流程
- 在 PDF 阅读器里选择导出为图片，格式选 PNG 或 JPG
- 检查图片清晰度，模糊的重新导出并提高分辨率
- 把图片按页顺序命名，便于识别后对应
- 在拾文雀选择「图片文字提取」逐张上传
- 识别结果按原页码顺序拼接成完整文档
不同 PDF 内容的提取难度
| 内容类型 | 难度 | 说明 |
|---|---|---|
| 纯文字页面 | 低 | 识别干净，少量校对即可 |
| 图文混排 | 中 | 图片区域的文字可能被误识别 |
| 表格页面 | 中高 | 文字可识别，结构需重建 |
| 带背景图案 | 中高 | 底纹干扰识别，错字增多 |
| 带手写批注 | 高 | 手写内容识别不稳定 |
提取之后怎么用这些文字
如果目的是引用，提取出的文字直接复制到目标文档即可。引用时注意核对数字和日期，这两类内容识别错误率高，而它们往往决定了信息的准确性。
如果目的是搜索和归档，建议按"文档名-页码"的规则保存识别结果，再把多页文本按顺序合并成一个文件。这样后续用关键词检索时，能直接定位到具体页码。
如果目的是重新排版成新文档，要做好心理准备：OCR 只负责文字，段落结构、字体样式、表格框架都需要重建。这种情况下，先评估一下重建成本和直接录入的成本，再决定路径。
几个容易踩的坑
第一个坑是把导出的图片分辨率设得太低。OCR 识别依赖文字的有效像素，导出时如果按很低的清晰度输出，小字会糊成一片，识别结果自然好不了。建议导出分辨率不低于 150dpi。
第二个坑是导出格式选择。有些工具默认导出为体积很大的无损格式，单张就超过 10MB。选择 PNG 或 JPG 通常能得到体积和质量的合理平衡。
第三个坑是忽略了页面倾斜。扫描件的页面倾斜不处理就上传，识别结果的错字会集中在页面边缘，越靠边越严重。
提取结果的质量验收清单
批量提取完成之后，别急着删原始文件。先做一次抽查验收：随机挑几页，把识别结果和原图逐段对照，统计错字比例和遗漏情况。抽查通过，说明整批质量稳定。
验收的重点是三处：数字与金额有没有错位、段落之间有没有整段丢失、页与页的衔接有没有错乱。这三类问题在批量处理中最容易出现，也最难在后期发现。
如果抽查发现问题集中，说明导出参数或识别方式需要调整，这时返工成本还低。等到材料都归档了才发现错误，重新找原始文件的麻烦会成倍增加。
常见问题
PDF 提取文字需要专用软件吗？
文本型 PDF 用任何阅读器都能复制。扫描型 PDF 需要先导出图片，再用在线 OCR 工具处理，不需要安装专业软件。
导出的图片多大合适？
建议 150dpi 以上、长边 2000 像素左右，单张控制在 10MB 以内。清晰度过低会影响识别，过高则没有额外收益。
识别出来的文字顺序会乱吗？
单栏页面顺序基本正确。多栏排版、图文混排的页面可能出现顺序错乱，需要人工调整段落位置。
PDF 里的公式和符号能提取吗？
常规文字和数字可以识别，复杂的数学公式、专业符号识别效果不稳定，建议这类内容人工录入。