扫描 PDF 导入企业知识库：OCR、表格和引用页码怎么验收
扫描 PDF 上传成功不等于知识可用。按页核对 OCR 错字、表格阅读顺序和原件定位，建立企业知识库入库前的抽检与退回规则。
一份扫描版设备手册看起来字迹清楚，导入知识库后却答错了报警代码：页面里的“8”被识别成“B”，表格左列的条件又和右列的处理步骤拆开。扫描 PDF 导入企业知识库，不能只看文件上传成功或 OCR 有输出。更关键的验收是：重要文字是否可核对、表格关系是否保留、引用能否回到原件的正确页。
先判断 PDF 里有什么，不要整批直接 OCR
同为 PDF，可能是可选择文字的电子文档、只有图片的扫描件，也可能一部分页面有文字层、一部分页面是图片。先按页抽样：尝试选择并复制正文，检查复制结果与可见内容是否一致，再记录页面旋转、模糊、遮挡、手写批注和双栏排版。能复制不代表文字层正确；已有错误 OCR 层的文件，也可能复制出一串看似完整的错字。
入库清单至少保留原文件标识、版本、页数、来源部门、访问权限、是否有文字层及抽样页。不要为了让全部文件通过同一管线，就把原生 PDF 无条件转成图片再 OCR：这可能损失原有的可检索文字或版式。OCRmyPDF 文档也区分对扫描页增加可搜索文字层、去除旧 OCR 层与只做图像处理等不同操作；应先判定目标文件的实际情况。
让 OCR 输出保留页码与原文位置
对扫描页，提取文字时不仅要拿到一整段字符串，还应尽量保留每页的行、词及其位置，使审校人员能回到原页比对。Microsoft Document Intelligence 的 Read 文档展示了按页返回行、词、坐标与词级置信度的形式；其响应说明还将元素与原文件页码关联。这是可参考的数据结构，不表示本站使用该服务。
页码应以原 PDF 的物理页索引为主，再另存纸面印刷页码；封面、目录或附录常使两者不同。若知识片段只存文字而丢掉原文件版本、页索引和位置，后续即使回答带“第 12 页”，也可能无法定位原句。保留定位信息时仍要遵守文档权限，不应让无权用户借引用链接打开原件。
置信度只能帮你挑样本，不能代替校对
OCR 的置信度可用于把疑似难识别的区域送给人工，但不能把高分直接当成业务字段正确的证明。型号、报警码、金额阈值、单位、负号和小数点，即便只错一个字符，也可能改变答案。建议按风险挑重点页：表格密集页、低清晰度页、含数字或中英文混排页，以及用户最常引用的章节；逐项和原图对照，并记录可复核的差错类型。
可设项目自己的抽检门槛，但不要编造通用“识别率必须达到多少”的标准。若某页过于模糊，原图本身无法辨认，应退回补扫或由文档负责人提供可信原件，不让模型补全缺失内容。Google Cloud 的 OCR 文档列有旋转校正、图像质量等可选能力，也说明 OCR 版本变化可能改变输出；任何工具都应以本站项目的数据边界与实际效果选择，不把敏感资料默认上传到外部服务。
表格和双栏先恢复关系，再切成知识片段
最危险的错误不一定是错字，而是文字都对、关系却错。例如构造的设备手册表格：左列“E08”对应“停机检查”，下一行“E09”对应“联系维护人员”。若 OCR 按列输出所有代码，再输出所有措施，切片程序可能把 E08 与后一个措施拼在一起。双栏正文、跨页表格、脚注和图题也会打乱阅读顺序。
因此，应核查提取后的阅读顺序、行列对应和跨页续表标记。普通 OCR 返回文字行，不等于已经恢复了表格结构；需要结构化表格时，应选择并验证对应的版式解析能力，或对关键表格由人工整理。Microsoft 的响应说明把 Read 的文字元素与 Layout 的表格元素分开列出，并指出跨页阅读顺序不由该服务自动保证。切片前先看结构，而不是只凭固定字符数截断。
用可回到原页的问题做入库验收
验收不要只问“文档里有没有这个词”。可从抽样页制作少量有确定原文依据的问题：一个型号代码、一个带单位的阈值、一行表格条件、一个跨页续表项，以及一条需要看脚注才能成立的规定。对每题同时检查四件事：检索是否找到正确片段，片段是否保留必要上下文，答案是否被原文支持，引用是否指向正确的原 PDF 页。
若答案错，先定位是哪一层出了问题：原件难读、OCR 错字、阅读顺序或表格关系错位、切片丢了条件，还是检索或生成误用证据。本站的引用核验文章讨论最后一层“引用是否支持结论”；本篇的边界更靠前，聚焦扫描件变成可用知识片段之前的质量门槛。
把退回、修复和版本替换写进流程
- 可直接入库：抽样页可读、关键表格关系正确，原文件与页码可追溯。
- 需人工修复：个别代码、数值、脚注或表格错位，修复后对受影响片段重新验收。
- 退回补件：原扫描本身缺页、模糊或遮挡，无法依据原件核对。
- 暂缓检索：权限、版本或有效期未确认，即使 OCR 质量合格也不对普通用户开放。
修复后保留原件版本、处理工具及配置、修订记录和受影响页范围；重建相关索引，并确认旧的错误片段已不再参与回答。本站产品页面公开多源知识接入、版本管理与来源引用，但具体项目是否内置 OCR、如何处理版式和重建索引，都应以实际交付方案与验收结果为准。更一般的知识治理问题可参看知识库质量文章，不能用那篇的总体建议代替本篇逐页检查。
参考资料与适用边界
- Microsoft Learn：Read model OCR data extraction，用于页、行、词、坐标和置信度的数据结构说明。
- Microsoft Learn：Analyze document response，用于区分文字元素、版式表格与阅读顺序边界。
- Google Cloud：Enterprise Document OCR，用于图像质量、旋转与模型版本差异的参考。
- OCRmyPDF Cookbook，用于已有文字层、去除旧 OCR 层及图像处理选项的参考。
资料查阅日期：2026 年 9 月 29 日。以上工具仅为公开技术资料示例，不代表本站已集成它们。具体 OCR 方案、部署位置、数据出域、安全策略、抽检门槛和保留期限，应由项目文档负责人及安全负责人按真实材料确定。
