01 · Document Engineering
复杂 PDF 处理：从文件识别到可追溯文本
解释 Mint 如何识别数字文档、扫描页和混合页面，按页面选择解析策略，并把结果整理为可检索、可引用的标准文档快照。
更新于 2026 年 7 月
识别
校验文件头、权限与页面组成
分流
逐页判断原生解析或视觉处理
解析
提取文字、结构、表格和图像
校验
检查空页、乱码、重复与缺失
快照
形成稳定、可追溯的中间结果
核心判断
复杂 PDF 不是一种固定文档，而是文字层、扫描图像、矢量对象、表格和字体编码共同组成的页面容器。
01 / Document reality
先承认 PDF 页面之间并不相同
同一份 PDF 里可能同时存在可复制文字、整页扫描件、嵌入图片和异常字体编码。整份文件只使用一种解析方式，往往是失败的起点。
数字原生页
页面带有可读取文字层，通常可以保留段落、字符位置和基础版面信息，不需要 OCR。
扫描图像页
页面本质是图片，必须先渲染和识别；图像清晰度、方向与噪声会直接影响结果。
混合页面
正文可提取，但印章、批注、图表或局部扫描内容仍需视觉处理，不能简单归入纯文本或纯扫描。
编码异常页
页面看起来正常，但复制后成为乱码或缺字，需要通过可读性检测触发替代路径。
02 / Page routing
Mint 以页面为单位决定处理路径
文件进入 Mint 文档核心后，先建立页面清单，再为每一页记录文字量、图像占比、字体状态、页面尺寸和可读性。处理策略由页面证据决定，而不是由扩展名决定。
可读文字充分的页面优先使用原生解析，保留文本位置和结构信息；缺少文字层、文字不可读或页面主要由图像构成时，才进入 OCR。
混合页面可以保留原生正文，同时对局部图像进行补充识别。这样既避免对几百页数字 PDF 全量 OCR，也不会漏掉关键扫描内容。
工程原则
OCR 是条件分支，不是 PDF 的默认步骤。能够稳定提取的文字不重复识别，失败页也不拖累已经成功的页面。
03 / Normalization
不同解析结果必须进入同一种文档结构
原生解析和 OCR 返回的数据结构不同。如果直接把它们交给知识库，下游会同时面对不同坐标、不同段落边界和不同错误语义。
页面身份
每页保留稳定页码、来源文件、内容哈希和解析版本，便于更新、去重与问题追踪。
结构块
标题、正文、表格、图片说明和页眉页脚统一表示，避免把整页压成一段无结构文字。
证据位置
保留页码和页面内位置，使知识库回答能够回到原文，而不是只返回脱离上下文的片段。
质量状态
记录成功、部分成功、需要复核和失败原因，让界面与修复流程读取同一份事实。
04 / Quality gate
解析完成不等于解析可用
Mint 会在进入切块和索引前检查空白、乱码、异常重复、页面遗漏和结构完整性。质量门槛的目标不是追求一个抽象分数，而是阻止坏文本进入检索系统。
页面级失败会被单独记录并允许重试。已经通过质量检查的页面保持不变，避免每次修复都重新处理整份文件。
当文档只能部分恢复时，系统应明确标记可用范围。企业文档流程需要可解释的部分成功，而不是把所有异常统一显示为“解析失败”。
章节 405 / Boundaries
复杂文档处理仍然有明确边界
密码保护、严重损坏、极低分辨率扫描、特殊字库和复杂手写内容，都可能需要人工提供密码、替换原件或复核识别结果。
不要隐藏失败
可靠系统不会用看似完整的文本掩盖缺页。文件级、页面级和结构级问题应分别记录，并给出可以执行的下一步。
Implementation Checklist
实施检查表
继续阅读 · 02