指南目录/ 文档自动化
扫描 PDF 先 OCR 再总结的流程
很多人搜“AI 总结 PDF”时，实际处理的是扫描件、拍照件或图片型文档。这类文件如果不先做 OCR，模型拿到的根本不是干净文本，后面的总结自然会跑偏。
先看结论
扫描件、图片 PDF 和混排文档，先做 OCR 再摘要，通常比直接总结更稳。
适合谁看
适合要做发票识别、合同总结、表格清洗、报销自动化的业务团队和实施方。
这篇会回答
• 先判断 PDF 是文本型还是图像型
• OCR 之后要先清洗，再做摘要
• 摘要结果要贴合最终用途
Reading Path
这篇在专题里的位置
重点覆盖 PDF、表格、票据、合同和扫描件处理，把 OCR、结构化和自动化工作流连成一条线。
第 1 节
先判断 PDF 是文本型还是图像型
不是所有 PDF 都能直接抽文本。有些文件虽然能打开，但本质上只是图片被包进了 PDF 容器。
如果复制文字时复制不出来，或者抽取文本后全是乱码，就要优先走 OCR 流程，而不是直接送进摘要链路。
第 2 节
OCR 之后要先清洗，再做摘要
OCR 的输出常见问题包括错别字、换行混乱、页眉页脚重复和表格断裂，这些都会影响后续总结质量。
因此更稳的流程是先做文本清洗和分段，再根据文档结构拆块摘要，最后合并成总述。
第 3 节
摘要结果要贴合最终用途
同一份扫描 PDF，如果是给老板做汇报、给销售做提炼，或者给法务做风险初筛，输出结构都应该不同。
把用途提前写进 Prompt，往往比一味追求更长的上下文窗口更有效。
FAQ
常见问题
为什么做完 OCR 还是有很多错字？
因为 OCR 质量会受扫描清晰度、版式复杂度和原稿质量影响。先清洗再摘要，通常比直接让模型硬总结更稳。
图片很多的 PDF 也适合这样做吗？
适合，但要先区分哪些页面以文本为主、哪些页面以图表为主，再决定是走 OCR、图像理解还是人工标注摘要重点。
Continue Reading
继续沿着这条主线看
这部分不再重新给你一堆大卡片，而是直接把下一步阅读顺序列出来，方便继续往下走。