PDF 文本提取与 OCR：在翻译前选择正确的处理路径

当 PDF 已包含可靠的机器可读文本时，请使用文本提取；当页面仅包含文本图像时，请使用 OCR。如果页面现有的文本层存在错误，仅凭这两条规则还不够：您需要在提取的文字与可见页面之间进行对比，然后再决定是保留、替换还是重做该文本层。

这个决定必须在翻译 之前 做出。翻译工具无法挽回在输入工作流时就已出错的数量、姓名或句子，它只能翻译接收到的源内容。

快速决策表

请按页面测试，而不仅仅是按文件测试。单个 PDF 中可能同时包含原生数字扉页、扫描章节以及带有旧版 OCR 的插页。

能选中文字仅证明存在文本对象，并不能证明该文本与页面内容一致。反之，复制测试失败也不能证明整个 PDF 都只是纯图像。

我们的四页混合 PDF 测试

我们制作了一个内容已知的 可下载四页 PDF 。其中不包含任何私密或第三方文档：

1. 一页原生数字页面；
2. 一页纯图像页面；
3. 一页外观为扫描件但带有正确隐藏文本层的页面；
4. 一页外观为扫描件但带有蓄意误导性隐藏文本层的页面。

针对每一页，我们首先对现有 PDF 数据运行了 Poppler pdftotext 。随后，我们以 300 dpi 渲染该页面，并对渲染出的图像运行了 Tesseract。在进行两项测试之前，可见的参考基准均已固定。

重点并非 Tesseract 永远更胜一筹。它在这个清晰的英文测试用例中表现出色，是因为我们构建该页面的初衷就是为了突出路径选择的差异。在噪点较多的扫描件、罕见文字、表格、手写体或复杂排版中，重新执行 OCR 可能会以不同的形式出错。

逐页 测试结果, 决策表, 复现说明以及 生成工具 已随测试用例一同提供。在 2026 年 9 月 21 日，记录的版本为 Poppler pdftotext 26.08.0 以及 Tesseract 5.5.3。

这项测试证明了什么——以及没有证明什么

它证明了四个视觉上清晰可读的页面可能需要三种截然不同的译前处理路径。它还证明了可搜索文本可能看似合理，实则与页面内容大相径庭。

它并未衡量通用的 OCR 准确率、无障碍阅读支持、表格恢复能力、多语言识别表现，或 BookTranslator 的上传行为。这些测试页面结构简单，且第四页上的错误系特意插入，并非由 Tesseract 造成。

为什么文本提取与 OCR 是截然不同的操作

文本提取读取的是 PDF 中已存储的文本对象。OCR 则是在像素中识别字符。目前的 pypdf 提取指南 也划定了同样的界限：pypdf 可以读取现有的文本层，但无法识别图像中的文字。

这种区别至关重要，因为数字原生 PDF 包含的信息在光栅化后会被丢弃或变得更难恢复：例如字符编码、字体信息、链接、矢量图形以及其他文档对象。pypdf 明确建议不要将 OCR 视为处理原生数字文件的万能方案。它还指出了另一个局限：PDF 通常仅为了视觉排版而存储文本，而非作为语义化的段落、表格或标题来组织。

因此，译前预检应包含两个独立的问题：

1. 字符是否正确？ 将提取出的人名、数字、标点符号和生僻术语与页面进行比对。
2. 结构是否可用？ 通读一个完整的段落，然后检查分栏、脚注、表格、图表说明以及分页边界。

即便字符正确，若顺序错乱，对翻译而言依然是残破不可用的源内容。

翻译前的单页级预检

1. 保留原始文件

对于重要文档，请保留未改动的源文件并记录其哈希值。仅在副本上进行测试。替换不完美的文本层可能会压平矢量内容，或丢弃后续需要的信息。

2. 盘点页面类型

切勿仅凭第一页就做决定。请对篇首内容、正文常规页面、附录、表格、插图、插页以及任何看似拍照或复印的页面进行抽样检查。

对于篇幅较长的文档，请记录各页码范围：

可下载的 CSV 在我们的测试用例中采用了相同的模式。

3. 对比高难度词元，而非仅看简单正文

看似流畅的句子检验力度较弱。请务必检查：

• 人名；
• 日期与数量；
• 字母和数字混杂的标识符；
• 带重音符号或非拉丁字符的文本；
• 跨换行符的句子；
• 靠近脚注、插图或第二栏的段落。

如果测试只停留在常用词层面，我们测试样本中的第四页看起来完全可用。但错误集中在 O/0, 58/53以及 7.5/7.8——而正是这类标记，极易在翻译后破坏参考文献和事实数据。

4. 客观评估不确定性

请使用四种评估结果：抽样通过、抽样失败、无可用文本，或尚未测试。“可选中”不是一种结果，“OCR 已完成”也不是。

抽样具有局限性。三页通过测试并不代表整本 400 页的书都没问题，特别是当文件中包含不同的扫描件或版式时。在源文件风格发生变化的地方，务必扩大抽样覆盖面。

仅在诊断后选择 OCRmyPDF 模式

OCRmyPDF 的现有文档针对已包含文本的页面描述了多种处理行为。这些只是路由选择，并非质量保证。

• 默认行为 在页面已包含可打印文本或隐藏 OCR 图层时会停止处理，因为它无法可靠区分检测到的是哪一种。
• 跳过文本（Skip text） 会原封不动地复制带有文本的页面，并对其余页面执行 OCR。只有当现有文本可靠时，它才适用于混合文件。
• 重新 OCR（Redo OCR） 会移除现有的不可打印 OCR 文本并重新识别该页面，同时排除可打印的矢量文本。它适用于原生数字页面与既有 OCR 页面的混合文件，但无法识别所有历史排版格式。
• 强制 OCR（Force OCR） 会将矢量内容栅格化并对生成的图像执行 OCR。它可以替换失效的图层，但会损失信息，并可能将交互式内容拼合扁平化。

上述语义源自 OCRmyPDF 17.12.1 的 现有文本错误文档。在批量运行之前，请务必阅读所安装版本的对应文档。仅凭参数名称，并不能证明输出结果完整保留了书签、标签、链接、表单或无障碍结构。

在我们的测试样本中，跳过文本模式会保留第四页中故意植入的错误隐藏文本。正因如此，“复制并比对”这一道防线必须置于选择批量模式之前。

常见误区

“如果文本可选，就跳过 OCR”

第四页彻底推翻了这条规则。文本可选只能证明其存在，并不能证明其准确度。

“为保险起见，对整个 PDF 进行 OCR”

这可能会降低原本清晰的原生数字页面的质量，并丢弃有用的 PDF 对象。它还会增加需要人工核对的工作量，却无法自动修复语义阅读顺序。

“哪个输出结果看起来更通顺就用哪个”

在这种情况下，只看“通顺度”是非常危险的。务必将其与肉眼可见的页面进行比对。切勿让语言模型悄悄“修补”了某个标识符或数值，然后误把该结果当作原文证据。

“只要某一页清晰，整份文件就都没问题”

混合型 PDF 非常普遍：数字生成的封面后面可能跟着扫描版的章节，或者一本可搜索的电子书中可能穿插着纯图片插页。请务必按页面范围分别记录处理方案。

进入翻译流程前的就绪检查清单

在将文件送入翻译工作流之前，请确保满足以下所有条件：

1. 所有页面范围均已归类为原生数字页面、纯图片页面或现有 OCR 页面。
2. 针对失效的原有文本层，已制定明确的替代解决方案。
3. 在抽检页面中，人名、数字、标识符和生僻术语均通过了与原件的逐一比对。
4. 提取出的原文中，段落和分栏顺序通顺易读。
5. 表格、图表、脚注和公式均已核实，或已明确作为独立素材单独跟踪处理。
6. 保留原始 PDF 文件，以供翻译后进行对照检查。

如果含有文本的 PDF 复制出来已出现乱码，请参考独立的 复制粘贴诊断指南 。如果页面为纯图片，请参考 扫描版 PDF 处理流程 ；若识别失败涉及语言识别问题，请参考 多语言混合 OCR 指南 。

翻译核验无误的原文，随后审核译文成果

如果最终目标是以另一种语言通读整份文档，请将核验无误的 PDF 上传至 PDF 翻译器。对于扫描件或图片较多的页面，BookTranslator 的 OCR 模式会提取可识别的内容并重新生成一份干净整洁的翻译版 PDF；该模式不承诺能完全保留原始页面的排版格式、字体或字号，也无法修复所有原有的隐藏文本层。

请妥善保留您的页面清单和原始文件。翻译完成后，针对译文再次执行高风险核查：名称、数量、标识符、页面覆盖完整性、段落顺序以及任何您依赖的结构。这份 PDF 翻译质量把控（QA）清单 涵盖了最终验收的完整环节。

核心准则其实很简单： 对可靠内容直接提取，仅对需要识别的内容执行 OCR，且唯有在证实原有文本层存在错误时才予以替换。