从 PDF 提取文字与图片：可选中文本与 OCR

如果能在阅读器里高亮单词，PDF 就有文本层或文本绘制指令。提取可以精确复制这些字符，包括间距怪癖。在 OCR 之前先走这条路。对文本 PDF 做 OCR 更慢，还可能制造原件没有的错误。

扫描件、拍摄的文档和某些传真导出只存像素。没有 OCR，提取器无法恢复可靠文字。OCR 质量取决于分辨率、对比度、语言模型和倾斜。歪斜的收据手机照片永远难于 300 DPI 平板扫描。

有些 PDF 显示页面图像，同时包含先前 OCR 留下的不可见文本层。复制文字可能得到与所见不同的词。若准确性重要，先把几句提取结果与可见页面比对，再信任整个文件。

即使原生数字 PDF，在字体使用自定义编码或文字被画成曲线时，提取也可能很差。屏幕上字形正确，复制后却是乱码。此时把页面栅格化再跑 OCR，反而可能比提取更可靠。

抽取嵌入图片不等于把页面渲染成 PNG。嵌入提取在资源存在时恢复原始素材；页面渲染把可见的一切（包括文字）压成一张图。按你需要原图还是版式快照来选择。

OCR 引擎需要正确的语言数据。把中文扫描件当英文处理会得到垃圾结果。混排文档可能需要多语言模式。工具允许时始终显式设置语言；自动检测在短页面和低对比度上会失败。

抽查数字、姓名和表格列。OCR 常混淆 0 与 O、1 与 l，以及多栏布局。对财务或法律内容，把 OCR 输出当成人必须确认的草稿，而不是成品记录。

没有指回页码和文件的提取文本在审阅中很难信任。尽可能为每个块存储页码，并在同一记录中保留源 PDF 哈希或文件名。若使用了 OCR，注明引擎和语言设置。这些元数据让后来的读者决定文本仍需要多少核实。

（中文扩写）OCR and extraction both struggle when text sits in multi-column tables or is interrupted by ruled lines. If the goal is a spreadsheet, expect to repair column boundaries after the first pass. For critical tables, a human-in-the-loop review of numeric columns is cheaper than discovering a shifted decimal in production. Prefer tools that can emit CSV with explicit page and bounding-box metadata when the layout is complex.

（中文扩写）OCR set to the wrong language can still emit readable-looking words that are completely wrong. Always set language explicitly for production batches. For mixed-language pages, prefer multi-language mode or split the document by page language when the tool allows it. Spot-check proper nouns; they fail first when the language model is wrong.

（中文扩写）When processing hundreds of pages, one catastrophic page should not discard the batch. Write per-page outputs and a manifest of successes and failures. Retry only the failed pages with different DPI or language settings. Operators then spend time on the hard pages instead of re-running the easy ones overnight.