你上传一份扫描合同或一张手写笔记另存的 PDF，ChatGPT 回 No text could be extracted from this file、抽出来是空、或者更糟——编出看起来合理但对不上原页的内容。原因是：默认 PDF 抽取器（Code Interpreter / 高级数据分析里的 pdfplumber / PyPDF）只读文档的文本层。纯图片 PDF 没有文本层，抽取器拿到的就是 ""。
最快修法（一分钟内搞定）：别传 PDF。把每页转成 PNG 或 JPG，改传图片。ChatGPT 会把图片走 vision 通道（截至 2026 年 6 月为 GPT-5.5），印刷体和手写体都能直接 OCR。很多用户反映：同样的内容，传图片能”完美”识别，传 PDF 却失败。
如果你确实需要一份可搜索的 PDF（用于归档、周期性流程、或给同事），就先在上传前把文件 OCR 好——步骤见下文。
行为变了吗？（2026 年 6 月）
新模型（GPT-5.4 / GPT-5.5）在网页版里有时会对纯图片 PDF 自动套用 vision OCR，于是偶尔一份一年前会失败的扫描件现在也能读出来。但这个行为不稳定——取决于你的订阅档位和上传走的是哪条后端通道，Free / 旧通道仍然把纯图片 PDF 当空白。把自动 OCR 当成意外之喜，别当保证。靠谱的做法依旧是：传图片，或者上传前先 OCR，并且每次都验证结果（见”验证修复”）。
你属于哪一类？
| 症状 | 可能原因 | 去看 |
|---|---|---|
No text could be extracted from this file，每页都空 | 完全没有文本层（纯扫描 / 照片） | Step 1，再 Step 2 或 5 |
| 印刷字能抽出来，手写部分空 | OCR 跳过手写 | Step 5（vision） |
输出是 ~~%@# 一类乱码 | 语言包选错 | Step 3（设 -l） |
| 读是读了，但编出原页没有的内容 | 模型在空抽取上幻觉 | Step 1 先证实是空，再 Step 5 |
| 一份数字版 PDF（文字可选）也报错 | PDF 结构异常 | Step 6（重排） |
常见原因
1. PDF 完全没有文本层
打印机扫描成 PDF、照片存成 PDF、“打印到 PDF”图片——都没文本层。pdfplumber.extract_text() 返回 ""。ChatGPT 正确地说没字，然后要么拒绝（No text could be extracted from this file），要么——如果你逼它”先随便总结一下”——就开始编。
如何判断：在任意阅读器里打开 PDF，用光标尝试选文字。选不动（光标始终是箭头、不是文本插入光标），就是没文本层。
2. 手写体让常规 OCR 直接失败
即使 PDF 经过 OCR 预处理，手写部分通常也被跳过。Acrobat OCR 是为印刷字体调的；旁注里的连笔、签名、表单手填几乎一定丢。开源 OCR 更差：截至 2026 年，Tesseract 在真实手写体上基本不可用（连笔体跑分远低于可用阈值）。手写直接上 vision（Step 5）。
如何判断：印刷部分能抽出来，手写部分一片空。
3. 内置抽取在 vision 之前就接管了
当你附的是 PDF 时，Code Interpreter 第一反应是 pdfplumber。即使模型能用 vision，PDF 这条路也不会稳定 fallback 过去。改附图片就把内容直接送进 vision 通道——这正是 Step 5 有效的原因。
4. 扫描质量差：倾斜、低 DPI、JPEG 失真
低于 200 DPI、倾斜 > 5 度、或者重压缩的 JPEG-in-PDF，会把大多数 OCR 引擎坑住。Tesseract 对印刷体至少要 300 DPI（此时准确率 95%+）；低于约 200 DPI 准确率就崩。
5. 非英文手写 / 混合脚本
OCR 引擎需要对应脚本的语言包。中文手写笔记用纯英文 Tesseract 跑出来一片乱码。Acrobat Pro 默认按你的地区设置走，不会自动识别混合脚本。
最短修复路径
Step 1：判断 PDF 是否有文本层
让 ChatGPT 在 Code Interpreter 里跑下面这段（或本地跑）：
import pdfplumber
with pdfplumber.open("/mnt/data/file.pdf") as pdf:
for i, page in enumerate(pdf.pages):
text = page.extract_text() or ""
print(f"page {i+1}: {len(text)} chars")每页都是 0 字符，就需要 OCR 或 vision；部分有、部分没，文档就是混合的——只 OCR 缺的那几页。（这一步也能证实模型给你的”总结”是真是假：0 字符就说明它根本没东西可总结。）
Step 2：传每页图片、别传 PDF（最快，无需安装）
最快的可靠修法。把每页导出为图片再附到对话里：
- 文件已经打开了？多数 PDF 阅读器里：把每页另存为 PNG / JPG，或者放大后截图。
- 脚本化、从 PDF 来：
from pdf2image import convert_from_path
images = convert_from_path("/mnt/data/file.pdf", dpi=300)
for i, img in enumerate(images):
img.save(f"/tmp/page_{i+1}.png")然后点 ChatGPT 的回形针，附上 page_1.png、page_2.png……，说：“把每张图上的文字转写出来，包括手写部分，再汇总。” vision 能在一遍里处理印刷体和手写体。
文档很长就分批 5–10 页附，避免上下文爆掉。
Step 3：用 Tesseract OCR（免费、可脚本化，得到可搜索文件）
当你需要一个可搜索的文本文件或 PDF——比如用于周期性流程：
# macOS 安装
brew install tesseract tesseract-lang
brew install poppler # 提供 pdftoppm
# PDF 按 300 DPI 转图片再 OCR
pdftoppm -r 300 input.pdf page -png
for f in page-*.png; do
tesseract "$f" "${f%.png}" -l eng
done
# 合并 OCR 文本
cat page-*.txt > ocr-output.txt中英混合用 -l eng+chi_sim（任何已装的包都行：-l deu、-l fra 等）。把 ocr-output.txt 上传给 ChatGPT，别再传原 PDF。注意：Tesseract 对干净的印刷扫描件很强（300 DPI 下 95%+），但对手写很差——手写改用 Step 5。
Step 4：Adobe Acrobat Pro OCR（印刷扫描件质量最好，图形界面）
Acrobat Pro 里：工具 → 扫描和 OCR → 识别文本 → 在此文件中。选对语言，保存。新 PDF 带可选文本层；再上传给 ChatGPT，内置抽取就能正常工作。Acrobat 自动做倾斜矫正和低 DPI 清理——有 Pro 许可证的话效果最好、操作最少。周期性工作可以录一个 Action Wizard 动作，整个文件夹一键 OCR。
Step 5：手写直接送 vision（最准）
OCR 真搞不定（连笔、墨水褪色、非拉丁手写），就完全跳过 OCR，让 ChatGPT vision 读你在 Step 2 导出的图片：
逐字转写每张图上的手写内容。看不清的词标
[illegible]，不要猜。然后给我一份干净的汇总。
[illegible] 这条很关键——它能阻止模型为填空而编词，而编词正是”看着合理却写错”的头号成因。vision 模型处理连笔体明显比任何开源 OCR 强。
Step 6：如果是数字版 PDF 仍报错——重排它
如果 PDF 确实有可选文字却还是报 No text could be extracted from this file，多半是文件结构不规范（某些第三方导出器会产出这种）。在 Chrome 或 Edge 里打开，选 打印 → 另存为 PDF（或 “Microsoft Print to PDF”），重新上传这份重排后的副本。这会重建一个 ChatGPT 能解析的干净结构。或者在阅读器里选中文字，直接粘进对话框。
偶尔一次用 Google Docs 自动 OCR（无需安装）
把 PDF 上传到 Google Drive，右键 → 打开方式 → Google Docs。Drive 自动 OCR 并转文档。把结果文本复制进 ChatGPT，或导出 TXT / DOCX 再上传。字迹清楚一致的手写也能凑合用。免费、无需安装。
验证修复
OCR 完成后，先再跑一次文本层探针，再相信任何总结：
import pdfplumber
with pdfplumber.open("/mnt/data/ocred.pdf") as pdf:
print("pages:", len(pdf.pages))
print("first page chars:", len(pdf.pages[0].extract_text() or ""))
print("sample:", (pdf.pages[0].extract_text() or "")[:200])非零字符数 + 能认出来的样本文本 = OCR 成功。样本是 ~~%@# 这种，就是 OCR 引擎匹配错了语言包——换正确 -l 参数重跑。如果你传的是图片而非 PDF，验证更简单：拿模型转写出的两三行，跟原页上你能读出的内容对一下。
预防
- PDF 给 ChatGPT 之前，先验证文本可选。选不了就传图片或先 OCR。
- 手写笔记拍照、光线足，作为图片上传别存 PDF——vision 天然处理图像，绕开坏掉的 PDF 路径。
- 周期性工作（发票处理、合同审阅）一次性把 OCR 步骤建好（Tesseract 脚本或 Acrobat Action Wizard），只把 OCR 输出给 ChatGPT。
- 扫描至少 300 DPI，存成带嵌入文本层的 PDF（Acrobat 开了 OCR 默认就这么做）。
- 混合语言文档按段落分别用对应语言包 OCR，不要一遍跑完整个文件。
常见问题
为什么 ChatGPT 报 “No text could be extracted from this file”？ 这份 PDF 是纯图片（扫描或照片），没有文本层，抽取器读到零字符。改传每页图片，或者先把文件 OCR 一遍。
现在 ChatGPT 能自己 OCR 扫描件 PDF 吗？ 有时能。截至 2026 年 6 月，GPT-5.4/5.5 可能对图片 PDF 自动套用 vision OCR，但跨档位、跨后端都不稳定，Free / 旧通道仍然失败。别指望它——要结果稳定就传图片或上传前 OCR。
为什么它会编出扫描件里没有的内容？ 当抽取返回空字符串、你又非要它总结，模型就会用看似合理的猜测来填空。跑 Step 1 的探针，确认它到底有没有读到东西，再去信输出。
传图片还是传 PDF？ 图片。附 PNG / JPG 页面会把内容直接走 vision（印刷体和手写体都处理）；PDF 会先走文本层抽取，扫描件上这一步会失败。
手写的最佳免费方案是什么？ 对上传的页面图片用 ChatGPT 自带的 vision，或者字迹清楚时用 Google Docs 自动 OCR。Tesseract 对印刷扫描件很强，但截至 2026 年在手写上不靠谱。
OCR 输出是一堆乱码符号——哪里错了？
OCR 用错了语言包。用匹配的 -l 代码重跑 Tesseract（比如简体中文用 -l chi_sim，中英混合用 -l eng+chi_sim），或者在 Acrobat 里识别文本前先选对语言。
Related
- ChatGPT uploaded PDF not analyzed correctly
- ChatGPT image upload not understood
- ChatGPT large document incomplete analysis
- ChatGPT file type unsupported
- ChatGPT file analysis too shallow
- ChatGPT image edit not applied
标签: #ChatGPT #ChatGPT 文件 #排查 #排查 #ocr