PDF 实用操作
PDF 文字提取后是空白？先分清文字层和扫描图片
按页检查 PDF 是否有可提取文字，演示导出 TXT/Markdown，以及扫描件为何需要 OCR。
一份 18 页的 PDF，前 12 页可以复制文字，最后 6 页却什么都复制不出来。用“全选、复制、粘贴”得到半份文件，很容易误以为已经完成提取。真正要先确认的是：每一页有没有文字层。
先做一页的测试
打开 PDF 文字提取工具，载入文件。先选第一页运行提取，看结果是否与页面上的标题和段落大致一致。再切到一页疑似扫描件，看看状态与字符数。工具会按页显示结果；如果某页是空白或提示扫描件，不能用前面页面的成功结果推断整份文件都可提取。
PDF 页面里看得见字，未必存在可复制的字。扫描件可能只是一张图片；在这种页上，“文字提取”不会凭空认出笔画。它需要 OCR（光学字符识别）才能把图片里的字转成文本，而这个提取工具本身不负责 OCR。
选择适合用途的导出方式
只想引用几段内容时，按页查看、搜索并复制即可。要把整个可提取的部分交给同事整理，可以用 TXT；想保留“第几页”的分段线索，可以用 Markdown；若要给程序处理每页结果，可以选 JSON。导出后打开文件，重点检查页与页之间是否漏了内容，表格列是否错位，页眉页脚有没有被混入正文。
多栏文档尤其需要复查阅读顺序。页面视觉上先左栏后右栏，PDF 内部文字顺序却可能不同。工具提供可读模式、版式模式和阅读顺序设置；先用一页多栏样本试出较合适的组合，再处理全部页。无论哪种设置，复杂表格和脚注都不保证直接变成整齐的数据表。
遇到扫描页怎么办
如果最后 6 页没有文字层，先找源文档或已经做过 OCR 的版本。没有源文件时，再使用专门的 OCR 流程处理那些扫描页。OCR 后要回看专有名词、金额、日期和编号；尤其是 0/O、1/l 之类容易混淆的字符，不能只看“提取出了很多字”就认为准确。
本例交付前应记录清楚：前 12 页成功提取，后 6 页需要另做 OCR。这样接收方知道 TXT 文件为什么比原 PDF 少内容，也不会把不完整的提取结果当成全文。