怎么判断 PDF 是扫描件还是文字版

先说结论 结论：最快的方法是试着选中文字。选不中就是扫描件，需要 OCR；能选中就是文字版，直接提取即可。文件大小和清晰度都不足以作为判断依据。

方法一：试着选一段文字（最可靠）

在阅读器里按住鼠标从左到右划过一个句子，再按 Ctrl/Cmd+C 复制到记事本里。能粘出文字就是文字版；粘出来是空白就是扫描件。

这是唯一直接考察"有没有文字层"的方法，准确率接近 100%。

按 Ctrl/Cmd+F 搜索任意一个出现在页面上的词。搜得到就是文字版，搜不到就是扫描件——因为扫描件里没有可检索的字符。

把页面放大到 400%。文字型的字边缘依然锐利干净；扫描件的字会呈现出纸张纹理、噪点和轻微模糊。这个方法适合已经预感到是扫描件、想进一步确认的情况。

有人觉得"大文件一定是扫描件"。这不成立：一份嵌入高清图和全部字体的纯文字 PDF 也能有几十兆；反过来，低分辨率扫描的薄册子可能只有几百 KB。

同理，看起来很清楚也不代表有文字层——300 DPI 的清晰扫描件一样选不中文字。

现实中相当多的 PDF 是混合的：封面和正文是文字层，中间的签字页、附件、盖章页是扫描图。这种文档用上面的方法可能得到矛盾的结论——在第 1 页能选中文字，翻到第 6 页却选不中了。

混合型文档的处理原则是：按页判断，而不是按文件判断。能提取的部分直接提取，提取不出来的页面单独走 OCR，最后把两段结果拼起来。

这里还有一个坑：如果一份扫描件曾经被 OCR 软件处理过，它内部会有一层看不见的文字层，位置往往和图像本身有几像素的偏移。这时你可以搜索到词，但复制出来的顺序可能错乱。遇到这种"搜得到但复制乱"的情况，说明文档有隐藏文字层，直接复制原文往往比自己重新识别更准确。

如果你经常要处理大量 PDF，可以记住这个经验规律：文件里有文字层的，用搜索功能搜"的"或"a"这类高频字，秒出结果；扫描件搜什么都是零结果。

比搜索更快的是看选中行为——单击一段文字的中间位置，如果出现光标和蓝色选区，就是文字层；如果整页变成一个半透明遮罩被整体选中，就是图片页。后者说明你点到的是一张图，不是文字。

这个判断直接影响后续所有选择：文字版走提取（秒出、零错误、不上传），扫描版走 OCR（要上传、有错误、需要校对）。用错方法不仅浪费时间，还可能因为对结果的错误预期而交出错误材料。

扫描件里的文字选不中、搜不到，本质是因为它只是一张图。这里做的是真正的文字识别：把图上的字读出来，重排成可以继续编辑的 Word。

扫描的对账单、报价单、成绩表，最难的不是看，而是把数字重新敲进表格。这里识别出表格结构，直接给你一份 .xlsx。

要发到公众号、贴进 PPT、还是做打印稿？按需要选 DPI，页面直接渲染成图，一张张下载或者一次打包。

只想把第 3 到第 8 页发出去？按页拆、按份数拆、或者每页一个文件，拆完打成一个 ZIP 一次下载。