# AI 识别 PDF 和扫描件，为什么还要核对原图？ 区分文字识别、版面理解与业务判断，重点检查表格、型号和单位。 要点：OCR 将图像中的文字转换为可处理文本，文档理解还涉及标题、表格和版面关系。识别后应保留原图与位置，对型号、数字、单位和关键条件重点核对。文本读起来通顺，不能证明所有字段都识别正确。 ![大型平面扫描设备下的技术图纸（AI概念配图）](/images/guides/covers/document-ocr-v2.png) ## 先确认文件是什么类型 带文字层的 PDF、扫描 PDF 和手机照片，处理方式与质量可能不同。先测试文字能否直接提取，再判断是否需要 OCR。倾斜、反光和小字号会增加核对难度。 资料来源也要明确。客户提供的扫描件是否完整、页码是否连续、附件是否为有效版本，应在识别前检查，避免把缺页问题误认为模型理解不足。 ## 表格和图示需要保留关系 提取参数时同时保留行标题、列标题与单位。跨页表格可能在下一页继续使用上一页的表头，若脱离上下文，字段会被错误对应。合并单元格也需特别检查。 图示里的箭头、位置和标注包含文字之外的信息。可以给出原图位置及辅助说明，但不能用生成文字替代对重要图形的核对，尤其不能根据模糊图像补造规格。 ## 区分识别结果与确认结果 保留待核对状态，让业务人员直接打开对应页或图。对影响较大的字段逐项确认后，再进入产品资料或业务记录。识别置信分数可辅助筛选，但不能代替业务判断。 先用不同质量的样本检验，再决定批量处理范围。知识库导入前，还应检查提取文本能否独立理解，并将标题、原始来源和版本一并保存，方便后续查证。 ## 识别文字之后，保留表格与页面关系 扫描文档里的标题、正文、表格和脚注承担不同含义。一个数值脱离所在行列后，可能无法判断对应型号或单位。处理技术资料时，应保存页码、区域或表格位置，方便后续提取与核对，而不是仅把识别出的文字拼成连续段落。 同一份文件也可能同时含有可提取文字和扫描页面。先抽查不同页面类型，再选择解析方式。旋转、模糊、手写和跨页表格会带来不同错误，不能用封面识别成功代表整份文件处理合格。 ## 对高影响字段保留原图核对入口 产品编码、金额、尺寸和单位应能够回到原页面。可以用规则发现异常格式或缺失值，再让业务人员核对必要部分。相似字符替换后仍可能通过格式检查，所以“看起来像正确编码”不等于它就是原文内容。 验收样例覆盖正文、表格和边界页面，分别记录识别遗漏、结构丢失与字段误配。只有清楚知道错误属于哪一层，才能决定重新扫描、改解析方式还是调整后续提取。 ## 让每个关键提取值能打开原页 对照扫描件检查型号后缀、金额符号、上下标、单位和跨页表头，保存页码或区域。先让企业资料负责人确认差异，再考虑批量处理；识别文通顺不等于参数已确认。 ## 参考来源 - [Dify Docs｜文档分段设置](https://docs.dify.ai/en/cloud/use-dify/knowledge/create-knowledge/chunking-and-cleaning-text)：分段方式与文档预处理机制 - [秩启｜企业资料准备](/workspace)：企业资料、角色与待核事项整理；保存草案不等于形成正式业务规则 - [Google Cloud｜文档理解](https://docs.cloud.google.com/gemini-enterprise-agent-platform/models/capabilities/document-understanding)：多模态文档输入与理解能力；业务适用性仍需实测 ## 从扫描件到可用资料 - 文字识别：保留页码与原始图像 - 结构核对：检查表头、单位和关系 - 业务确认：重要字段审核后再使用 ![从扫描件到可用资料](/images/guides/diagrams/document-ocr.svg) ## 继续阅读 - [文档进入 RAG 知识库前，怎样整理才便于检索？](/guides/rag-document-preparation) - [制造企业用 AI 整理技术资料，先核对哪些信息？](/guides/manufacturing-ai-documents) - [AI 输出要进入业务系统，先把字段与校验说明白](/guides/structured-output) 从角色、来源与待确认事项开始，整理企业自己的资料草案。 下一步：[整理企业资料](/workspace) 原文：/guides/document-ocr 内容版本：guide:document-ocr:v1 [结合企业情况咨询](/intake?source=%2Fguides%2Fdocument-ocr&articleId=guide%3Adocument-ocr&versionId=guide%3Adocument-ocr%3Av1)