AI AI 工具指南
常见问题解决库

扫描件 / 手写 PDF 上传后 ChatGPT 说'读不出来'：需要 OCR 预处理

纯图层 PDF 没有文本层，pdfplumber 抽空；手写体连主流 OCR 也会漏。修法是先 OCR 或转图片走 vision。

发布于: 作者: AI Productivity Guide Team 🌐 查看英文版本

你上传一份扫描合同或手写笔记另存的 PDF，ChatGPT 回”我读不出来”、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 里的 PyPDF / pdfplumber）只读文本层。纯图片 PDF 没有文本层。模型的 vision 能看图，但 PDF 不会自动走 vision 路径。修法：上传前先 OCR，或者把每页转成图片再明确丢给 vision。

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、然后要么放弃、要么编。

如何判断：在任意阅读器里打开 PDF，尝试用光标选文字。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。

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

Code Interpreter 见到 PDF 第一反应是 pdfplumber。即使模型能用 vision，也不会自动 fallback。你必须明说”把每页转成图片、再去看图”。

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，大多数 OCR 引擎都会被坑。Tesseract 准确率掉到 50% 以下。

5. 非英文手写 / 混合脚本

OCR 需要对应语言包。中文手写笔记用英文 Tesseract 跑出来一片乱码。Acrobat Pro 默认按你地区设置走，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

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 字符就一定需要 OCR；部分有部分没，就只 OCR 缺的那几页。

Step 2：用 Adobe Acrobat Pro 本地 OCR

Acrobat Pro：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。

Step 3：免费 / 脚本化流程用 Tesseract

# macOS 安装
brew install tesseract tesseract-lang
brew install poppler  # 提供 pdftoppm

# PDF 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。把 ocr-output.txt 上传给 ChatGPT，别再传原 PDF。

Step 4：偶尔一次用 Google Docs 自动 OCR

把 PDF 上传到 Google Drive，右键 - 打开方式 - Google Docs，Drive 自动 OCR 并转文档。复制文本贴给 ChatGPT，或导出 TXT 上传。

字迹清楚一致的手写也能凑合用。免费、无需安装。

Step 5：手写直接送 vision

OCR 真的搞不定（连笔、墨水褪色），跳过 OCR、用 ChatGPT vision：

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")

然后在对话里直接附 page_1.png、page_2.png，说：“把每张图上的手写体转写出来再汇总。” vision 模型在连笔体上比 OCR 明显更强。

文档很长就分批 5-10 页处理，避免上下文爆掉。

验证修复

OCR 完成后，先再跑一次文本层探针，再相信任何 summary：

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。

预防

  • PDF 给 ChatGPT 之前一定验证文本可选。选不了就先 OCR。
  • 周期性流程（发票处理、合同审阅）一次性用 Tesseract 或 Acrobat Pro Action Wizard 建好 OCR 管线，只把 OCR 输出给 ChatGPT。
  • 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。
  • 扫描至少 300 DPI，存成带嵌入文本层的 PDF（Acrobat OCR 默认行为）。
  • 混合语言文档按段落分别用对应语言包 OCR，不要一遍跑完。

标签: #ChatGPT #ChatGPT 文件 #排查 #排查 #ocr

相关文章