PDF 提取文本为什么错行？文字版与扫描版检查

能打开 PDF，不代表提取出的文字就与页面阅读顺序一致。上传前可以先尝试选择并复制一小段正文，再与页面对照。若复制得到乱码、空白或两栏混在一起，应先处理文本识别问题，再解释检测结果。

一、区分文字版与扫描版

包含文本层的 PDF 可以提取文字，但文档内部的文本顺序未必与视觉排列一致。扫描页通常以图像为主，需要 OCR 或其他识别步骤；简单的文字提取不会自动获得准确正文。能选中文字的扫描文件也可能使用了不够准确的 OCR 文本层。

二、按四个位置抽查

分别抽查摘要、两栏正文、公式附近和参考文献。查看段落是否连续、页眉是否反复插入、数字和单位是否缺失、引用序号是否错位。检测前还应确认提取范围没有漏页。

假设示例：一篇 12 页的论文，每页重复提取了一行 20 字的页眉，文本会额外出现约 240 字。这只是说明重复文本如何影响统计，不是某个检测平台的测试数据。

三、出现错行时怎样处理

有原始 Word 文档时，优先回到原文件检查和上传，避免多次 PDF 转换。只有扫描件时，先进行文字识别并人工校对；对表格、公式和特殊符号尤其要谨慎。没有把文字读正确之前，不宜根据某个分数决定哪些段落需要修改。

四、最终要保留什么

保留送检的文件、提取后的正文与报告，记录是否进行过 OCR 或格式转换。收到结果后，核对正文是否对应同一版本。若最终提交格式为 PDF，再检查 Word 导出后的分页和字体。

继续阅读：全文与处理字数的区别、Word 格式核对清单。

技术参考：Mozilla PDF.js 官方示例。该页面说明 PDF 读取接口，不构成对扫描件 OCR 准确率或原格式保留的承诺。