企业官网建设流程全解析

摘要：OCR后处理的目标是让识别结果可用，而不是替用户“纠正原文”。本文说明图映PDF内容提取如何合并原生文字、混排图片和图内OCR文字，OCR使用PP-OCRv6三档模型，保留文字位置、置信度与行列结构；并结合一张截图的单一样本观察，给出识别结果的人工核验边界：数字、专有名词和表格。当前统一模型不识别韩文，极速档不含日语。

副标题：识别置信不等于正确：OCR结果的核验边界

一、三类内容源的合并

一份真实的PDF，往往同时包含可选中的原生文字、独立的图片，以及图片内部的文字。只处理其中一类会得到残缺的结果：只抓原生文字会漏掉扫描页，整页OCR又会把本来可以直接提取的文字重新识别一遍，徒增出错概率。图映的PDF内容提取采用分层思路：原生文字直接取用，混排图片单独处理，图片内部的文字交给OCR识别，再按页面上的阅读顺序合并输出，格式可选HTML、TXT或者Markdown。思路上是先取确定性高的，再补概率性的。

二、OCR模型与运行方式

识别使用PP-OCRv6，提供三档模型：极速档约6.0MB，支持中文、英文、德语、西班牙语、葡萄牙语和法语；专业档约31.2MB，是默认推荐档，增加日语；高配档约138.8MB，同样支持日语，面向桌面上的复杂小字场景。模型按需下载，推理在独立Worker线程里完成，WebGPU优先，不支持时自动降级到WASM，不会卡住页面主线程。识别结果保留文字在原图中的位置、置信度、原图的行列结构，表格内容复制与TXT导出时用Tab分隔列。

三、一个单一样本的观察

我们用图映首页的一张截图做了一次试验，选专业档，识别出141行、共1090字，用时约16.8秒，推理后端为WebGPU。导出成Word后逐行对照，发现了两类差异：一处“AI”被识别成了“AT”，一处“NEW”被识别成了“NEV”，出错的位置都是小字号、带底色的标签。这个样本说明了两点：整体可读性较好；字形相近的字符、小字号文本是主要风险点。需要强调，这只是单一图片的观察，识别准确率与图像分辨率、字体、背景和语言都有关，不应当据此推断一般水平。

四、置信度的使用与局限

置信度可以用来排序检查：优先复核低置信度的片段，能提升核验效率。但置信度是模型对自身输出的估计，高置信度并不确保文字正确，也存在模型把错误文字判断得很自信的情况。因此置信度适合作为筛选工具，不适合作为免检依据。对于数字、金额、日期、专有名词和表格，无论置信度高低，在重要场景里仍建议对照原件复核。

五、核验边界与建议流程

建议的核验流程：整体浏览，排查乱码和漏行；对照原件核对数字、金额、日期和人名；表格抽样逐格比对；对低置信度片段重点复核。已知边界包括：当前统一模型不识别韩文，极速档不含日语，需要日语应选择专业档或高配档；扫描质量差、页面倾斜、背景复杂的文件会降低识别质量。OCR后处理应当保持原意，不应在没有对照原件的情况下自行“修正”识别结果，否则可能把原文本来就有的写法改成错误。

六、补充

核验记录建议保留原件与识别结果的对照，便于追溯。