扫描版 PDF vs 文本版 PDF：为什么有的文档转得出来，有的什么都没有
关于 PDF 转换最常见的求助，几乎都是同一句话的变体：“我把 PDF 拖进去了，出来一个空文件。”绝大多数情况下，这份 PDF 是扫描件：包在 PDF 容器里的页面照片，里面一个字符都没有。
这篇文章讲清楚 PDF 的两种类型、两秒钟判断你手里是哪一种的测试方法、为什么转换器不做 OCR 是设计决策而非功能缺口，以及把扫描文档照样变成 Markdown 的完整工作流。
每个 PDF 都是两种之一
文本版 PDF 带着文本层：字符以字符码的形式存储，附带字体和位置信息，就像文字处理软件导出的那样。从 Word、LibreOffice、Google Docs、LaTeX 或大多数报表软件导出的文档都是文本版，哪怕里面也含图片。
纯图片 PDF 是一串页面照片，套着 PDF 的壳。扫描仪产出它们，手机扫描 App、传真转邮件的网关、会把文件发给自己邮箱的复印机也产出它们。像素就是全部内容；里面没有字符。
混淆情有可原，因为肉眼分不出这两者。扫描版 PDF 在阅读器里打开、显示清晰的文字、支持缩放——却不包含一个字符码。你看到的文字，是文字的照片。
两秒钟的测试
用任意阅读器打开 PDF，试着用鼠标选中一句话。如果选区逐词高亮、复制到文本编辑器能得到真正的文字，这份 PDF 是文本版，任何转换器都能读。
如果点按拖动画出的是截图式的矩形选框而不是文字高亮，这份 PDF 是扫描件。选不中是因为根本不存在可选的东西。复制命令同样一无所获，理由相同。
文件大小是粗糙的辅助信号：十页的文本版 PDF 往往不到 1MB，十页 300dpi 的扫描件往往几十 MB。但选定测试才是决定性的——图片压缩方式差异太大，单看大小不可靠。
为什么任何转换器都绕不开 OCR
转换器读的是文件里装的东西。对文本版 PDF，那是字符码，能干净地映射成 Markdown 文本。对纯图片 PDF，那是像素，而像素在任何意义上都不是 Markdown writer 能输出的文本。
填补这道鸿沟需要光学字符识别：一个看着每个字形的图像、猜测它描绘的是哪个字符的模型。OCR 是一个庞大且专门化的领域——按文种调校的识别模型、版面分析、置信度评分——往转换器里塞一个平庸的 OCR，产出的是看起来通顺、却在最要命的地方出错的文本：数字、姓名、法律术语。
所以本站的转换器只读文本层、拒绝对像素瞎猜，会告诉你哪些页面没有可提取文本，而不是交出一份看起来笃定、却充满识别错误的文档。一份错误的文档，比一次拒绝更贵。
OCR 到底在做什么，又会在哪里失败
OCR 软件把页面图像切成行和词，对每个词的字符做分类，然后写出新的、带文本层的 PDF 或纯文本——通常保留原图用于显示，把识别出的文本不可见地叠在上面。桌面工具如 Adobe Acrobat 自带的识别、基于 Tesseract 的开源 ocrmypdf，都做得不错。
各家引擎的失败模式高度一致。视觉易混的字形——大写 I、小写 l、数字 1——会错分，而且拼写检查抓不住。低分辨率扫描、歪斜的页面、淡的复印件、手写体，识别质量都会下滑。表格又是最糟糕的情形：OCR 按阅读顺序读出单元格文本，却重建不出任何网格。
语种也有影响：识别模型按文种各司其职，混语文档会在少数语种上劣化。这些不是说 OCR 没用，而是说 OCR 的产出是草稿，值得用你核对转换表格的同一份认真去验证。
为什么本工具拒绝瞎猜
转换器遇到没有文本层的页面时，既不返回垃圾，也不返回空——它会告诉你。转换结果里包含一条警告，列出看起来需要 OCR 的页码；如果整份文档都没有文本，错误信息会直说。
这是本地工具的诚实契约：对自己读到了什么精确，对自己读不到什么明说。另一种做法——静默的部分输出——正是某一章凭空消失却被发布、未签字的合同被归档为完整版本的由来。
这个设计还让工具保持轻快。哪怕只带一个文种的 OCR 模型，体积都会远超解析引擎本身；把它们塞进浏览器，下载体积会成倍膨胀，换来的却是桌面软件本来就能做得更好的能力。
先修扫描件，再谈转换
扫描文档的工作流是先 OCR、后转换。把文件丢进你选的 OCR 软件——Acrobat 内置识别、命令行的 ocrmypdf、或开启识别功能的手机 App 导出——它产出一份可搜索、带文本层的 PDF。
然后转换这份产出。转换和识别是两个独立的质量环节，保持成两个可分别检查的阶段，意味着你可以在任何下游消费之前，先在文本编辑器里核对 OCR 的结果。
一个提醒：OCR 设置里选择保留原始页面图像、叠加文本层，而不是重新渲染页面，这样可搜索 PDF 才忠实于扫描原件。之后就是常规的转换质量建议，外加一条——OCR 过的表格需要和所有转换表格一样的抽查，甚至加倍，因为识别错误和结构错误可能叠加。
混合型 PDF：部分结果
真实文档常常是杂交的：文本版报告附一页扫描的签字页、合同带一份复印的附件、论文正文里嵌着扫描的插图。转换会逐页处理——文本页转换，图片页什么也不产出并在警告里标记。
读输出之前先读警告列表。它精确告诉你文档的哪些部分缺席，于是部分结果可以和另行 OCR 的页面合并，而不是被误当成完整文档。
这个混合场景正是“警告式设计”最有力的论据：一份文档转出百分之八十够不够，工具不替你决定。它把边界精确地报告出来，把判断和 OCR 这一步留在它们该在的地方——你手里。