# PDF 是扫描件还是文本版？上传前先做这几项检查

通过选中文字、复制内容和抽查页面，在上传前分辨纯图片 PDF、隐藏 OCR 文本层和混合型文档，再决定转换还是翻译。

有些 PDF 在屏幕上看着很清晰，里面其实只有文字的照片。另一些 PDF 显示的是同样的扫描页面，背后却藏着一层看不见的文字。这个差别直接影响搜索、复制、转换和翻译。

不用拆开文件看内部结构，也能做出有用的判断。多抽查几页，重点看文字层实际能提供什么，而不只是文档看起来怎么样。

## 选中一句话并复制

在阅读器里打开 PDF，试着选中正文中的一句话，粘贴到纯文本编辑器里。检查字符和顺序是否正确，标点、数字，以及带重音符号或非拉丁字母的文字都要看。

如果选中的是一整页图片而不是文字，这一页很可能只有图像。如果一句话能完整复制出来，说明这个位置有可用的文字层。如果复制结果是乱码，或者两栏文字交错在一起，说明虽然有可选的文字，但未必能可靠地用于后续处理。

不要凭封面就给整本书下结论。扉页的字体、图片和版式往往与正文不同。

## 识别带隐藏文字层的扫描件

OCR 可以在扫描图像的上方或下方添加可搜索的文字层。页面看上去仍是扫描件，搜索和选中用的却是识别出来的文字。这很有用，但隐藏层里的错误会被清晰的页面图像掩盖。

找一个特征明显的短语搜索，再把搜到的文字和图像对照。复制一行带数字或专业术语的内容，看选中范围是否合理，内容是否与你读到的一致。

隐藏层出错，不代表图像本身质量差。问题可能出在早先的识别、编码或阅读顺序上。在决定重新扫描还是重新处理之前，这两种可能都要考虑。

## 抽查混合内容和难处理的页面

很多 PDF 同时包含电子文本和扫描的插页、附录或插图，不同章节的版式也可能不一样。挑几页样本看看：

| 检查页面    | 原因            |
| ------- | ------------- |
| 普通正文    | 确定主要内容类型      |
| 中间和末尾章节 | 发现源文件或导出环节的变化 |
| 双栏页面    | 检查提取顺序        |
| 表格或公式   | 检查数字、符号和结构    |
| 注释或附录   | 发现小字号文字和扫描插页  |

记下哪些页只有图像、哪些页能正确复制、哪些页的文字不可靠。这比笼统地贴一个“扫描版 PDF”的标签有用得多。

如果扫描件本身模糊、被裁切或有阴影，先解决这些问题，再依赖识别结果。[低质量扫描件预处理指南](https://pdfcraft.ai/zh-CN/blog/prepare-poor-quality-scans/)介绍了如何在外部处理，并不假设本站提供图像编辑功能。

## 按下一步用途选择处理方式

源文件只有图像时，必须先通过 OCR 把文字识别出来，才能变成可编辑的内容或译文阅读版。版面结构的还原同样重要：逐字识别出来，并不等于分栏、图注和注释会自动排到正确的位置。

如果想继续阅读并调整字号，可以看[扫描版 PDF 转 EPUB](https://pdfcraft.ai/zh-CN/pdf-craft/scanned-pdf-to-epub/)。如果想要可编辑的内容用于做笔记或进一步处理，可以看 [PDF 转 Markdown](https://pdfcraft.ai/zh-CN/pdf-craft/pdf-to-markdown/)。如果页面的原始外观很重要，请保留原 PDF。

要换成另一种语言，就明确选择翻译。在 PDF Craft 中，输出 PDF 必须翻译；输出 EPUB 和 Markdown 可以不翻译直接转换，需要时再开启翻译。[扫描版 PDF 翻译指南](https://pdfcraft.ai/zh-CN/blog/translate-scanned-pdf/)介绍了完整的操作流程。

## 检查只是诊断，不等于验收

这些检查只能说明源文件看起来包含什么，不能证明之后的转换一定正确。处理完成后，回到那些难处理的页面，把下载的结果和源文件对照检查。

可以打开 [PDF 工作区](https://pdfcraft.ai/zh-CN/pdf-craft/)上传文件，查看当前的设置和限制。新用户会获得试用额度，处理按用量计费，当前价格见[定价](https://pdfcraft.ai/zh-CN/pricing/)。[OCR 与翻译指南](https://pdfcraft.ai/zh-CN/blog/ocr-and-translate-workflow/)说明了为什么在判断完源文件之后，文字识别、版面结构和语义理解仍需分别检查。