扫描 PDF OCR 转 Markdown，只让真正需要的页面走视觉识别
扫描 PDF 本质上是一组页面图片，不是可搜索文字。更高效的流程是先检查文字层，只在需要时本地渲染页面并做 OCR，再把低置信度结果逐项对回原文。
直接答案：使用 OCR 前，先尝试划选并搜索页面上看得到的一句话。没有可用文字层时再渲染并识别；文字可正常划选时优先走文本转换。OCR 更慢、成本更高，也更容易引入字符错误。
怎样判断 PDF 是否需要 OCR
- 搜索页面上一个有辨识度的词。
- 拖选一句话，看选区是否跟着字符走。
- 放大观察：文字边缘模糊、压缩噪点一致，通常说明整页是图片。
- 不要只看第一页；附件、签字页和附录可能夹在普通数字 PDF 里。
PDF.js 提供页面渲染和文字内容 API，pdfmd 用这些浏览器端信号选择路径。这个判断很实用，但并非绝对：坏掉的字符映射可能让文字看似可选却无法使用，混合文档也仍需逐段检查。
OCR 能恢复什么，不能保证什么
| 页面信号 | 通常能恢复 | 常见失败 |
|---|---|---|
| 清晰印刷段落 | 文字与段落边界 | 断词或形近字 |
| 双栏扫描 | 大部分文字 | 阅读顺序交错 |
| 手写批注 | 清晰单词 | 人名、符号和短标记 |
| 密集表格或公式 | 部分标签与数值 | 单元格关系和记号 |
Tagged PDF 可以携带预期阅读顺序和语义结构，但扫描件通常没有可复用的 tag tree。OCR 只能从像素推断标题、分栏、列表和表格，所以这些结构在人工核验前都只是推测。
pdfmd 的扫描 PDF 路径
- 上传前先在浏览器检查文档是否存在可用文字层。
- 纯扫描 PDF 在浏览器渲染成逐页图像。
- 服务端验证登录和余额后，页面图像经 Cloudflare 发送到 Moondream 3.1 OCR。
- OCR 成功完成一页扣 4 点；失败扣 0 点。
- 结果不会自动保存，离开页面前要下载 Markdown。
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
所有 PDF 都需要 OCR 吗？
不需要。可搜索文字 PDF 应先走文本转换；OCR 只用于纯图像页面或不可用的文字映射。
一份 PDF 能同时包含文字页和扫描页吗？
可以。合同和报告常夹着签字页或扫描附件，所以不能只看第一页。
为什么 OCR 会把双栏顺序弄乱？
扫描页只提供像素，没有明确阅读顺序；模型必须猜哪一栏先读。
扫描 PDF OCR 怎么扣点？
每个成功完成的 OCR 页面扣 4 个页面点数；转换失败扣 0 点。
拿真实扫描件验证分流
先用这套诊断判断是否值得做 OCR；确认价值之后，再用 Google 登录并通过页面点数处理扫描件。