文档 OCR 提取

目标与适用范围

从扫描件提取 OCR 文本，并把文档页面或图片转换为 Markdown、JSON、表格、图像说明和可用于检索的分块结果，同时检查抽取质量。
本指南将当前任务范围转化为可复核的交付结果。请保留源文件、中间产物和关键判断，让后续协作者能够理解检查了什么以及为什么这样处理。

准备证据并作出选择

• 使用将被归档或进入下游系统的确切扫描件、图片集或 PDF 版本。

• 先确认来源是纯扫描、已有文本层，还是数字页与扫描页混合。

• 开始前记录目标输出形态：Markdown、纯文本、JSON 字段、表格、图像说明或带引用的分块。

• 决策点: 需要先做 OCR，还是可以直接复用现有文本层？. 页面只有图片时走 OCR；PDF 已有可靠可选中文本时优先直接提取。

• 决策点: 目标是通用文档、专用表单，还是表格密集文件？. 收据和身份证优先走专用 JSON 抽取；表格页优先走表格提取；叙述性文档更适合 Markdown 或纯文本。

• 决策点: 应该处理整份文件，还是先截取关键页？. 如果封面、附录或低价值页面会拉低质量并增加复核成本，就先裁剪页范围再抽取。

按步骤完成工作流

1. 限定范围，避免无效 OCR

先判断整份文件是否都需要 OCR，还是只需处理部分页面，再截取真正相关的页范围。 使用 pdf-page-range-extractor.

2. 按来源类型提取基础文本

扫描页走 OCR，已有可用文本层的 PDF 直接提取，并保留原始输出用于后续比对。 使用 pdf-ocr-text-layer, scanned-pdf-ocr-to-markdown, pdf-text-extractor, pdf-to-markdown, pdf-to-clean-text-for-llm.

3. 补足纯文本无法表达的结构

当下游任务需要明确语义时，把文档进一步转成结构 JSON、表格、收据字段、证件字段或页面图片说明。 使用 pdf-to-json-structure-explorer, pdf-table-extractor-to-csv-json, ai-image-to-receipt-json, ai-ocr-id-card-to-json, pdf-image-caption-extractor, ai-image-to-markdown.

4. 整理分块并核验抽取质量

把已复核内容打包成带引用的检索分块，并在入库搜索或 RAG 前，对照源文件检查关键标题、金额、姓名、日期和表格。 使用 pdf-rag-chunker-citation-pack.

交付前验收结果

• 所选抽取路径与真实来源类型和目标输出格式一致。
• 提取出的文本、字段、表格和图像说明都能回溯到已复核的源页面。
• 在发布或入库前，关键数值、标题和分页边界已对照原文档检查。
• 最终结果保留了足够结构，供下游审核、解析或 RAG 系统使用，而不会留下含糊不清的隐性歧义。

常见问题

• 每个扫描 PDF 都应该直接走 OCR 转 Markdown 吗？ 不一定。若 PDF 已经有可信文本层，直接提取通常更快，而且边界更干净。
• 什么时候专用抽取器比通用 OCR 文本更合适？ 当收据或身份证字段比段落还原更重要时，应优先使用专用抽取，因为目标是结构化 JSON。
• 表格提取能代替人工看原页吗？ 不能。合并单元格、断行、货币符号和表头错位都需要回看源页确认。
• 为什么要在抽取后再分块，而不是一开始就分块？ 低质量 OCR 一旦提前分块，只会把错误扩散到下游。应先稳定文本和结构，再打包成检索块。