PDF看得见文字却提取不到，怎样区分扫描图片与隐藏文本层问题？

先检查页面文字是否可选择和复制

适用于扫描件提取为空、复制后出现乱码，或同一PDF部分页面正常部分失败的情况。先保存原件，选取不同类型的代表页，记录能否选择和复制文字。某些文件把文字绘成轮廓，也可能使用复杂编码，不能把所有可见文字都当成能直接读取的普通文本层。

区分图片页面字体映射与隐藏文本

检查页面是否包含主要图像、可提取文字及可能的隐藏OCR层，再比较提取字符与视觉原文。错误字体映射、阅读顺序和重复文本都可能影响结果，表格还需检查行列关系。若隐藏层本身是错误识别，提取器忠实返回它也不等于内容正确，不能只用字符数量判断质量。

按页面类型选择提取或OCR

对真正文字页优先直接提取，扫描页或不可靠文本层再采用适合语言的OCR，保留页码和原图对应。避免对所有页面无差别重复OCR，以免引入新错字或重复内容。先在少量样本确认方法，再处理全文；提取结果供问答使用前，应检查数字、专名及关键表格的结构。

逐页对照可见原文和提取结果

逐页核对是否覆盖可见内容，抽查段落顺序及金额等高风险字段，并测试原本正常的文字页没有退化。保存无法确认的区域与页码，便于人工复核。成功标准是提取结果忠于原页且覆盖明确，不是输出文本变长或文件能被打开；扫描模糊的词仍应保留不确定状态。

本文没有读取用户PDF或运行新的OCR任务，方法需在实际文件副本上验证。不同提取器对编码和版式支持不同，OCR也不能保证恢复模糊原文。加密或访问受限的文件应遵循已有权限，不能为了提取关闭保护；如果源文件本来缺页或损坏，应明确说明未能恢复的范围。