PDF 阅读顺序问题：识别分栏、侧栏与被打断的正文
PDF 视觉上可以井然有序，提取文字却可能在左右栏之间跳跃、重复页眉，或把侧栏插进半句话中。视觉位置与逻辑阅读顺序是两套结构，必须分别检查。
直接答案：先不看 PDF，单独通读 Markdown。句子断裂、标题晚出现或分栏交错时，再对照 tag order 与页面布局。进入 chunking、摘要或 RAG 前先修顺序。
为什么视觉顺序不等于逻辑顺序
Tagged PDF 可以编码预期阅读顺序，以及标题、列表、表格和图片等语义角色。W3C 指南指出，PDF 阅读顺序主要由 tag order 决定，而 tag 内部内容取决于 content tree。未打标签的 PDF 与扫描件则可能迫使提取工具从绘制命令或像素推测顺序。
| 页面模式 | 常见提取错误 | 快速检查 |
|---|---|---|
| 双栏或三栏 | 文字在各栏之间交替 | 朗读前两段 |
| 连续页眉页脚 | 重复短句打断正文 | 搜索同一短句 |
| 侧栏或大号引语 | 内容插进半句话 | 对照附近页面区域 |
| 脚注 | 脚注进入正文或消失 | 逐个匹配标记与注释 |
一套实用的阅读顺序审计
- 先隐藏 PDF，把提取出的第一页当连续正文通读。
- 检查一个包含分栏、表格、图注或侧栏的密集内页。
- 搜索重复页眉页脚，再判断它们是正文还是 artifact。
- 确认每个标题后面紧跟它真正引出的章节。
- 调整顺序前，逐个核验脚注标记、图注和跨页续表。
- 修订后重新生成 RAG chunks 与来源偏移，不复用过期导出。
PDF Association 说明，良好 Tagged PDF 能为提取与复用建立可预测阅读顺序。标签存在时这是强证据，但软件仍要正确使用它；标签缺失或损坏时，仍需视觉对照。
根据失败类型选择修复方式
| 失败 | 修复 | 不要这样做 |
|---|---|---|
| 分栏交错 | 按完整段落区块重排 | 只按每行 x/y 坐标排序 |
| 重复 artifact | 核实后移除页眉页脚 | 盲删所有重复句 |
| 图注脱离 | 放回正确图片引用附近 | 并入旁边正文 |
| OCR 顺序错误 | 保持图片可见并重跑或人工编辑 | 把通顺文字当成已验证 |
所有下游自动化之前都要先修阅读顺序。顺序错误但看似整洁的 Markdown，可能生成通顺却错误的摘要、误导 RAG chunks，或把表格结论挂到错误章节。
官方资料与事实边界
以下链接支持规范与平台行为；pdfmd 的扣点和处理路径以本站价格页与隐私政策为准。
把复核清单保存下来
下载 Markdown 清单，下次转换时重复使用；格式变化会记录在公开 changelog。
常见问题
为什么双栏 PDF 会变成顺序错乱的 Markdown？
视觉分栏不一定等于文件内部逻辑顺序或 content stream 顺序，提取时可能在不同区域间交替。
Tagged PDF 一定能修好阅读顺序吗？
良好标签会提供预期顺序与语义，但损坏标签或忽略标签的软件仍可能输出错误。
重复页眉都应该删除吗？
不应该。先确认重复短句确实是页面 artifact，而不是有意义的正文。
阅读顺序应该在什么时候检查？
应在摘要、RAG 分块、引用或任何假设相邻 Markdown 来自相邻原文的流程之前检查。
转换一个复杂页面，再审计文字顺序
选择一份多栏或侧栏较多的真实 PDF。云端转换需要 Google 登录和页面点数；导出下游 profile 前先与原文对照。