怎么判断 PDF 是文本型还是扫描型？（4 种方法 + 免费检测工具）

一个最常见的场景：你想从 PDF 里复制一段话，结果发现根本选不中文字；或者提取出来的内容是一堆乱码和方块。这几乎总是因为——你拿到的是一份扫描版 PDF，它本质上是"照片"，里面并没有真正的文字。

搞清类型很重要，因为两种类型的处理方式完全不同：

类型	本质	正确处理方式
文本型（TextBased）	文字以真实编码存在内容流里	直接提取：快（毫秒级）、免费、100% 准确
扫描型（Scanned）	整页只是一张图片	必须 OCR：慢、有识别错误率、可能收费

对文本型 PDF 跑 OCR 纯属浪费钱和时间——而约 54% 的 PDF 其实是文本型，根本不需要 OCR。

方法一：在线免费检测（最快）

打开首页在线 Demo，把 PDF 拖进去：

约 10–50ms 返回判定：TextBased / Scanned / ImageBased / Mixed；
附带 0–1 置信度分数；
混合型文档会精确列出第几页需要 OCR；
全程浏览器本地运行，文件不上传。

为什么机器判定比肉眼看靠谱

有些 PDF 页面看起来有文字，实际是"伪文本"——字体编码损坏（CID/Type0 缺 ToUnicode 映射），复制出来全是乱码。pdf-inspector 会检查字体解码链路，这类页面会被标记出来建议走 OCR，肉眼很难提前发现。

方法二：命令行一条命令

装好 CLI 后（见安装下载），detect-pdf 专干这件事：

detect-pdf report.pdf

输出类型判定、置信度和需要 OCR 的页码列表。适合在批量脚本里先做路由：文本型走快速通道，其余送 OCR。

方法三：代码里判定（Node.js / Python）

Node.js

const { detectPdf } = require('@firecrawl/pdf-inspector')

const result = await detectPdf('report.pdf')
console.log(result.type)        // "TextBased" / "Scanned" / ...
console.log(result.confidence)  // 0–1

Python

from pdf_inspector import detect_pdf

result = detect_pdf("report.pdf")
print(result.type)         # 判定类型
print(result.needs_ocr)    # 需要OCR的页码列表

更多细节见 API 快速参考。

方法四：肉眼快速判断（不借助工具）

三个土办法，准确率约八九成：

试着选中文字：能拖动光标选中并复制的，大概率是文本型；一选就整页框住（像选图片）的是扫描型。
看页面边缘：放大到 400%，扫描件通常能看到纸张噪点、灰底、装订阴影或轻微倾斜。
看文件大小：同样页数，扫描件通常大得多（每页一张图片）；几十 KB 的"百页文档"反而可疑——可能是空壳或纯图低质量扫描。

土办法的盲区

上面三条都判断不了「伪文本」：能选中、能复制，但复制出来是乱码——这是字体映射损坏的文本型 PDF，依然需要专门的工具检测（见方法一）。

判定之后怎么处理

拿到一份 PDF
   │
   ▼ 判定（10–50ms）
   │
   ├─ TextBased ──────► 直接本地提取/转 Markdown（免费、毫秒级）
   │
   ├─ Scanned / ImageBased ──► 送 OCR
   │
   └─ Mixed ──► 只把需要 OCR 的页送 OCR，其余照常快速提取

这就是「选择性 OCR」路由：pdf-inspector 原生版本内置该能力，每页标注内容来源（native / ocr / fused）。完整策略见错误处理与限制指南。

扫描件想转成文字怎么办？

浏览器 Demo 不含 OCR；如果你的文件确实是扫描件：

用支持 OCR 的桌面工具（如 Adobe Acrobat）或云服务处理；
或使用 pdf-inspector 原生包的选择性 OCR 功能（Rust / Node.js / Python 版），只对被质量检查拒绝的页面启用 OCR。

常见问题

PDF 能选中文字但复制出来是乱码，是什么原因？

通常是 CID/Type0 内嵌字体的 ToUnicode CMap 缺失或损坏——字形显示正常，但字符到 Unicode 的映射断了。用在线检测可以确认；pdf-inspector 能处理大部分常见 CMap，无法解码的页面会明确标记。

Mixed（混合型）是什么意思？

同一份文件里部分页面是文本、部分页面是图片（比如正文是电子排版、附录是盖章扫描件）。逐页路由最省钱：文本页直接提取，只有图片页需要 OCR。

置信度分数怎么理解？

0–1 的浮点数，表示判定的把握程度。低于阈值的结果建议人工复核或直接按更保守的方式处理（例如当扫描件对待）。工程实践见排错指南。