摘要OCR后处理的目标是让识别结果可用而不是替用户“纠正原文”。本文说明图映PDF内容提取如何合并原生文字、混排图片和图内OCR文字OCR使用PP-OCRv6三档模型保留文字位置、置信度与行列结构并结合一张截图的单一样本观察给出识别结果的人工核验边界数字、专有名词和表格。当前统一模型不识别韩文极速档不含日语。副标题识别置信不等于正确OCR结果的核验边界一、三类内容源的合并一份真实的PDF往往同时包含可选中的原生文字、独立的图片以及图片内部的文字。只处理其中一类会得到残缺的结果只抓原生文字会漏掉扫描页整页OCR又会把本来可以直接提取的文字重新识别一遍徒增出错概率。图映的PDF内容提取采用分层思路原生文字直接取用混排图片单独处理图片内部的文字交给OCR识别再按页面上的阅读顺序合并输出格式可选HTML、TXT或者Markdown。思路上是先取确定性高的再补概率性的。二、OCR模型与运行方式识别使用PP-OCRv6提供三档模型极速档约6.0MB支持中文、英文、德语、西班牙语、葡萄牙语和法语专业档约31.2MB是默认推荐档增加日语高配档约138.8MB同样支持日语面向桌面上的复杂小字场景。模型按需下载推理在独立Worker线程里完成WebGPU优先不支持时自动降级到WASM不会卡住页面主线程。识别结果保留文字在原图中的位置、置信度、原图的行列结构表格内容复制与TXT导出时用Tab分隔列。三、一个单一样本的观察我们用图映首页的一张截图做了一次试验选专业档识别出141行、共1090字用时约16.8秒推理后端为WebGPU。导出成Word后逐行对照发现了两类差异一处“AI”被识别成了“AT”一处“NEW”被识别成了“NEV”出错的位置都是小字号、带底色的标签。这个样本说明了两点整体可读性较好字形相近的字符、小字号文本是主要风险点。需要强调这只是单一图片的观察识别准确率与图像分辨率、字体、背景和语言都有关不应当据此推断一般水平。四、置信度的使用与局限置信度可以用来排序检查优先复核低置信度的片段能提升核验效率。但置信度是模型对自身输出的估计高置信度并不确保文字正确也存在模型把错误文字判断得很自信的情况。因此置信度适合作为筛选工具不适合作为免检依据。对于数字、金额、日期、专有名词和表格无论置信度高低在重要场景里仍建议对照原件复核。五、核验边界与建议流程建议的核验流程整体浏览排查乱码和漏行对照原件核对数字、金额、日期和人名表格抽样逐格比对对低置信度片段重点复核。已知边界包括当前统一模型不识别韩文极速档不含日语需要日语应选择专业档或高配档扫描质量差、页面倾斜、背景复杂的文件会降低识别质量。OCR后处理应当保持原意不应在没有对照原件的情况下自行“修正”识别结果否则可能把原文本来就有的写法改成错误。六、补充核验记录建议保留原件与识别结果的对照便于追溯。