# OCR 与翻译：从扫描页到可读结果

了解 OCR、阅读顺序还原和翻译各自负责什么，在哪里检查中间文本，以及何时选择 PDF、EPUB 或 Markdown。

OCR 和翻译常被当作一个动作，但它们回答的是不同的问题。OCR 问的是“这一页上有什么文字？”翻译问的是“这些文字用另一种语言是什么意思？”文档处理还会多问一句：“文字、标题、插图和注释应该按什么顺序来读？”

分清这一点，就能解释一种常见的失败：译文读起来很顺，意思却不对劲。语言模型拿到的可能是错字、丢失的符号，或者顺序颠倒的段落。源信息本来就没被正确提取出来，再好的提示词也很难可靠地补救。

## 把识别、结构和含义分开看

设想一页扫描件，OCR 把 `10 mg` 读成了 `IO mg`。翻译环节可能照搬错误的字母，也可能把它当成一个名字。仅凭流畅的语言，翻译阶段无法判断剂量是多少。要解决这个歧义，你得回到原始图像。

再设想一篇双栏文章。每个字都识别正确，但提取时两栏的行交替出现。问题出在阅读顺序，而不是拼写。翻译可以把拼合后的文本变成语法通顺的句子，却可能把论证逻辑弄丢。

所以，一套实用的流程要承担几项职责：

| 阶段    | 负责什么          | 有用的检查               |
| ----- | ------------- | ------------------- |
| 采集    | 生成可读的页面图像     | 小字清晰可见，页边完整         |
| OCR   | 从图像中提取文字      | 字符、数字和符号与页面一致       |
| 结构还原  | 组织段落、分栏、标题和注释 | 文字按原本的顺序衔接          |
| 翻译    | 用目标语言表达含义     | 名称、限定语和关系得以保留       |
| 输出与复查 | 生成可用的文件       | 导航、注释、表格和重要段落都能正常使用 |

集成工具可以在一个任务里完成这些阶段。但你复查结果时，这些区分依然有用。

## 文本型 PDF 和扫描件，起点不同

对于文本型 PDF，选中一段文字粘贴到编辑器里，看看字符和顺序是否合理。文字可选中是个好迹象，但嵌入字体或损坏的文本层仍可能产生意外字符。

对于扫描件，先看页面图像。检查模糊、倾斜、装订阴影和文字被裁切的情况。原始扫描质量差，识别质量就有物理上限。把本来就模糊的图像调高分辨率，并不会补回丢失的笔画细节。

混合型 PDF 两种检查都要做。有些页面是可选中的文字，插页或附录却是图像。多翻几个位置看看，别凭一页就给整本书下结论。

PDF Craft 接受 PDF 文件进行处理，可转换为 EPUB 或 Markdown，这些输出可以选择开启翻译。PDF 输出属于翻译任务。请核对实际配置；从某个介绍页面进入，并不会替你选好输出格式或翻译参数。

## 什么时候值得多走一步做中间检查

当你能拿结果和原件对照时，OCR 加翻译一体完成，做一份阅读副本很方便。如果文档里有重要数值、生僻词汇，或者版式容易造成结构错误，单独检查一遍识别结果会更稳妥。

分开处理时，先做一次不翻译的转换，再在相应的阅读器或编辑器里检查提取出的内容。对照标题、跨页段落，以及一张表格或一条注释。在合适的编辑流程里修正源文本的问题，再把材料用于后续的翻译环节。

不要假设每个服务都会提供可编辑的中间结果，或者接受编辑后的格式作为新的输入。PDF Craft 的网页界面是任务式流程，并不是承诺提供翻译前的 OCR 编辑器。请查看下一阶段支持的输入格式，不要把转换、编辑和重新上传当作可以随意互换的步骤。

如果跳过中间检查，最终复查就要更仔细。对任何可疑的译文，直接和 PDF 图像对照。记下原文位置，这样才能分清是识别错误还是翻译取舍。

## 按下一步用途选择输出格式

**EPUB** 适合你想继续阅读、并能调整字号的情况。你希望段落能重排，目录可用，注释和正文保持关联。[扫描 PDF 转 EPUB 指南](https://pdfcraft.ai/zh-CN/blog/scanned-pdf-to-epub/)介绍了这些检查。

**Markdown** 适合你需要可编辑文本，用于研究笔记、引用或进一步处理。重点检查公式和表格，不要指望它复刻印刷版面。参见[面向研究的 PDF 转 Markdown](https://pdfcraft.ai/zh-CN/blog/pdf-to-markdown-for-research/)。

**PDF 翻译**适合必须交付 PDF 的场景。翻译后检查文字是否放得下、图文关系是否正常、版面拥挤处是否错乱。不要因为其他输出格式有双语选项，就推断 PDF 也支持双语。

双语 EPUB 输出会把原文放在译文之前，方便对照含义。但它不会拿页面图像来验证 OCR：如果识别出的源文本本来就错了，两段并排显示也可能把问题藏住。

## 检查各阶段衔接的地方

重点看跨页处、分栏衔接处和脚注引用。原本各自合理的局部结果，最容易在这些地方接错。[脚注处理文章](https://pdfcraft.ai/zh-CN/blog/jev-footnote-review/)解释了为什么一页上的字一个不少，注释却可能被安到错误的位置。

然后把数值和语言放在一起检查。核对数字和单位、否定词和它修饰的陈述、图表引用和对应图注。遇到重要引文，回到原页面核对，不要只相信提取或翻译后的版本。

开始使用时，在 [PDF Craft](https://pdfcraft.ai/zh-CN/pdf-craft/) 上传 PDF，选择输出格式，需要时明确开启翻译。处理按用量计费，当前价格见[定价](https://pdfcraft.ai/zh-CN/pricing/)。保留原始文件、下载的结果，以及足够的位置信息，方便日后核对。