扫描 PDF 没有文本层，RAG 怎么做 OCR 与失败降级？

先看一个教学场景。

用户打开一份扫描 PDF，页面清清楚楚，文字、表格和印章都看得见。系统也显示文件上传完成。可程序读取页面时，只拿到几个页码或一段水印，正文几乎为空。后面的分块、向量化和入库没有明显报错，用户提问时却一直搜不到材料里的答案。

问题不在大模型，也不一定在向量库。真正的原因是这份 PDF 没有可用字符层，页面本质上是一张张图片。

于是面试官会继续问：

你怎么判断一页 PDF 需要 OCR？识别完成后为什么不能直接把文字塞进向量库？遇到模糊页、表格页和失败页又怎样降级？

如果回答只有“调用 OCR 接口提取文字”，很快就会遇到下一层追问。因为 OCR 只是把像素变成文字候选，距离可检索、可引用的内容还差版面、顺序、结构、位置和质量控制。

先判断：这一页真的需要 OCR 吗？

页面判断不能只做“字符串为空”这一项检查。扫描页常见的误导信号是：页码、页眉或水印能够被读取，于是结果并非空字符串，但真正占据正文区域的内容仍然是一张图。

更实用的做法，是把页面先分成三类。

第一类是可直接使用页。有效文字框覆盖正文区域，阅读内容与程序提取结果基本一致，这类页面不需要额外 OCR。

第二类是需要识别页。正文区域主要由大图覆盖，已有文字只集中在页眉、页脚或少量标签，页面应进入 OCR 与版面恢复。

第三类是可疑页。页面既有字符层又有大块图像，或者提取结果与视觉内容明显不匹配。它不能只因为“有字”就放行，也不应该在没有检查时直接覆盖原字符层。系统需要保留两种候选、记录判断原因，再由代表性样本确定采用哪条路线。

判断信号可以来自有效文字数量、文字框在正文区域的覆盖、重复页眉特征、页面图像占比，以及提取文字与视觉区域是否对应。它们共同回答的是“正文有没有被程序拿到”，而不是给 PDF 贴一个永久标签。

阈值会受字号、语言、页面尺寸和文档类型影响。上线前需要用实际页面校准，并把误判页留在回归集中；这里没有一个能跨资料直接照搬的数字。

放大查看图解 ↗

先在页面级区分可用字符层、扫描图像和混合内容。电子文本优先保留原信息，需要时才进入 OCR。

页面级判断的产物不应只有一个布尔值。最好同时记录分类、判断信号、采用的文字来源和是否需要复核。后面发现漏字时，团队才能知道是 OCR 本身失败，还是页面一开始就被分到了错误路线。

OCR 之后，还有哪几步才能进入 RAG？