展开本页目录
开始前准备什么
- 准备非敏感、已授权的 PDF；本页提供一页虚构表格扫描件。
- 检查加密、页数、实际页面大小和文字层；不要只依据 .pdf 后缀判断。
- 先本地渲染一页并检查清晰度，随后只提交需要识别的页。
- 在目标通道核对视觉消息能力；原生 PDF 支持需要单独验证。
- 识别 PDF 类型
- 逐页渲染
- 固定页序
- 提取块与表格
- 按页复核
说明依赖版本、离线命令、请求协议与验收边界；所有素材为虚构资料。
一页图片型 PDF，无可复制文字层；不是客户扫描件或原生 PDF API 实测。
本地 PyMuPDF 渲染，输出页码、实际宽高、SHA256 和文字层字符数，不联网。
要求保留页 ID 和文字块，不把合计、页眉或跨页表格盲目合并。
gpt-5.4-mini 读取原始 PNG 的 HTTP、耗时、usage 与检查；不是原生 PDF 上传测试。
本地编码真实图片，生成 Chat、Responses 或 Anthropic 请求体；不联网、不保存 Key。
先判断你手里的 PDF 属于哪一种
本页练习 PDF 仅嵌入虚构表格栅格，文字层字符数为 0。该判断来自本地文件检查；没有文字层并不表示页面空白，也不是 OCR 已执行。
| 类型 | 常见表现 | 处理路线 |
|---|---|---|
| 文字层完整 | 可以复制文字，文本内容与页面一致 | 优先本地提取文字；只对必要图表补视觉识别 |
| 扫描件 | 选不中字，整页是一张或多张图片 | 逐页转图，视觉读取或专用 OCR |
| 混合 PDF | 部分页有文字，部分页只有图片 | 按页分流，不能只检查第一页 |
| 旧 OCR 隐藏层 | 能复制但错字、顺序或内容不一致 | 对照页面；错误文字层不能当标准答案 |
- 类型
- 文字层完整
- 常见表现
- 可以复制文字，文本内容与页面一致
- 处理路线
- 优先本地提取文字；只对必要图表补视觉识别
- 类型
- 扫描件
- 常见表现
- 选不中字，整页是一张或多张图片
- 处理路线
- 逐页转图，视觉读取或专用 OCR
- 类型
- 混合 PDF
- 常见表现
- 部分页有文字，部分页只有图片
- 处理路线
- 按页分流，不能只检查第一页
- 类型
- 旧 OCR 隐藏层
- 常见表现
- 能复制但错字、顺序或内容不一致
- 处理路线
- 对照页面；错误文字层不能当标准答案
离线转图时，页号和文件一起保存
安装练习包说明中的 PyMuPDF 后运行。输出 page_001.png 与 manifest.json，记录源 PDF 哈希、source_page、实际宽高和文字层字符数。输出目录必须全新，避免不同版本的页混在一起。
示例限定 50 MiB、20 页、72–300 DPI 和每页 1600 万像素，这是本地处理范围；不是 API 接受上限。DPI 应以小字可读性和实际像素为准，盲目提高会增加文件大小及处理成本。
本地渲染，不上传 PDF
python3 growth-batch7-vision-pdf-to-images.py \
scanned-table.pdf --dpi 144 --output rendered-pages
本站绘制的内容说明图：这是本地 PDF 渲染操作，不上传文件；50 MiB、20 页等限制属于脚本，不是 API 统一上限。
每页都有独立的提取状态
- 文本块按页面阅读顺序保留原文；表格另外保留列数、表头和空单元格。
- 页眉、页脚和合计单独标注，不能把重复页眉当新商品行。
- 一页失败只修该页；已获得响应的页不要整份 PDF 重跑。
- 跨页续表根据页码、表头和显式行号确认关系；相似名称不能证明是同一行。
候选记录结构，字段值为示意
{
"document_id": "DEMO-TABLE-001",
"page_id": "page_001",
"source_page": 1,
"status": "needs_review",
"blocks": [
{ "block_id": "page_001_table_01", "kind": "table", "rows": [] }
],
"uncertain_fields": []
}转图方案与原生 PDF 上传要分别验
OpenAI 和 Claude 的公开文档描述了原生 PDF 输入，但协议、型号和平台处理方式各有条件。本页采用可检查的本地转图流程，不把公开文档当作 apizt 对应端点的实测结果。
若准备改用原生 PDF，先用同一练习件验证目标端点能否接收、页面顺序、图片内容是否被读取及实际费用；不要把 Chat 的图片块原样换成 PDF Base64。
OCR 完成后，仍要对照来源页
| 检查项 | 本页标准 | 失败处理 |
|---|---|---|
| 页序 | 原 PDF 第 1 页对应 page_001 | 错误页号先修映射 |
| 表格形状 | 6 列、5 条明细，合计另存 | 列偏移回看原图 |
| 数字 | 001 等前导零、两位小数与 CNY | 看不清留待确认，不补数字 |
| 空值 | 002 与 004 的备注为空 | 不能沿用相邻行备注 |
| 合计 | 数量 32、金额 185.60 | 计算冲突只标记，不改原文 |
- 检查项
- 页序
- 本页标准
- 原 PDF 第 1 页对应 page_001
- 失败处理
- 错误页号先修映射
- 检查项
- 表格形状
- 本页标准
- 6 列、5 条明细，合计另存
- 失败处理
- 列偏移回看原图
- 检查项
- 数字
- 本页标准
- 001 等前导零、两位小数与 CNY
- 失败处理
- 看不清留待确认，不补数字
- 检查项
- 空值
- 本页标准
- 002 与 004 的备注为空
- 失败处理
- 不能沿用相邻行备注
- 检查项
- 合计
- 本页标准
- 数量 32、金额 185.60
- 失败处理
- 计算冲突只标记，不改原文
本站绘制的内容说明图：这些条件来自本页扫描练习材料；算术冲突只标记，不改写图中原文以制造通过。
这张扫描图的视觉调用，已经与标准逐格核对
本地 PDF 检查和逐页渲染通过；真实模型请求读取的是原始 PNG，没有把 PDF 作为文件输入上传，也没有另跑渲染后图片的付费请求。两份证据分别支持文件处理和这张图的字段读取，不是整批 PDF 或原生文件端点的通过证明。控制台记录于2026-10-08 11:32:48（Asia/Shanghai），按本人测试凭证、型号、完成时间与输入1267/输出156 tokens匹配；USD 0.000364为控制台6位小数显示，不是通用报价。
| 本次实际记录 | 结果 | 范围 |
|---|---|---|
| 接口与型号 | gpt-5.4-mini · /v1/chat/completions | 实际输入为原始 table-input.png |
| HTTP / 耗时 | 200 / 11.812 秒 | 一次真实视觉请求，没有原生 PDF 上传 |
| 表格字段 | 5行6列、前导零、两处空白、表头和合计一致 | 仅这张虚构练习图 |
| usage | 输入1267 / 输出156 / 合计1423 tokens | 记录真实返回，不换算通用报价 |
| 实际扣费 | USD 0.000364 | 控制台花费列显示6位小数，仅代表本次通道 |
- 本次实际记录
- 接口与型号
- 结果
- gpt-5.4-mini · /v1/chat/completions
- 范围
- 实际输入为原始 table-input.png
- 本次实际记录
- HTTP / 耗时
- 结果
- 200 / 11.812 秒
- 范围
- 一次真实视觉请求，没有原生 PDF 上传
- 本次实际记录
- 表格字段
- 结果
- 5行6列、前导零、两处空白、表头和合计一致
- 范围
- 仅这张虚构练习图
- 本次实际记录
- usage
- 结果
- 输入1267 / 输出156 / 合计1423 tokens
- 范围
- 记录真实返回，不换算通用报价
- 本次实际记录
- 实际扣费
- 结果
- USD 0.000364
- 范围
- 控制台花费列显示6位小数，仅代表本次通道
怎样确认已经完成
- 全部页检查过文字层，混合 PDF 没有遗漏扫描页。
- 输出保留源文档、页号、哈希和真实图片宽高。
- 文字、表格、页眉与合计没有混入同一种明细。
- 不确定字段保留为空并能定位到原页。
- 本地转图、图片识别和原生 PDF 输入验证分别记录。
常见问题
没有文字层为什么提取出来是空文本？
普通文字提取读取文字层；扫描件的字在图片里。应检查页面图像，再使用 OCR 或已确认的视觉接口。
一次把几十页都传给模型会更准确吗？
不保证。先逐页保留来源与状态，只在需要跨页关系时补相邻页上下文，按任务核对限制和费用。