扫描版PDF搜不到关键词，问题往往不在文件损坏
上传的PDF扫描件能正常翻页，输入关键词却一条结果都没有。遇到这种情况，不少人的第一反应是文件传坏了，于是重新上传、重新转换，反复折腾几轮，搜索框依旧空白。其实先要厘清一个基本前提：扫描版PDF和电子版PDF是两回事。电子版PDF由排版软件生成，文件里天然带着文本层；扫描版PDF则是把一张张图片装进PDF容器，画面上的字是像素点，不是可被检索的字符。搜不到，多数时候不是文件出了问题，而是这份PDF里压根没有可供搜索的文字。
先确认文件是不是纯图片扫描件
判断方法很直接：在阅读器里试着选中一段文字。能高亮、能复制，说明文本层已经存在；只能整页框选，或者怎么都选不中，那就是纯图像。还可以查看文件属性里的字体信息，纯扫描件通常不嵌入任何字体。确认是纯图像之后，就不必再怀疑文件损坏，排查方向应该转向OCR识别环节。
再确认OCR服务有没有被正确触发
网站的文件处理链路一般分为接收、存储、识别、写回、建索引几个阶段。扫描件上传后，应当自动进入识别队列。需要查看任务状态处于排队、执行中、成功还是失败。失败原因常见的有超时、内存不足、识别引擎缺少对应语言包。如果任务根本没有创建，说明触发条件设置有问题，比如只对特定扩展名或特定大小区间生效。
接着核对识别语言与方向参数
中文扫描件如果按英文模型识别，结果会大面积错乱。竖排文字、表格混排、中英夹杂的页面，也需要对应的版面分析参数。方向判断同样关键，页面旋转九十度后，识别质量会明显下降。这一层要确认语言代码、是否开启方向检测、是否启用竖排支持。参数不匹配时，即使识别任务显示成功，文本层也可能只是无意义的字符组合。
最后检查文本层写入后是否被覆盖或未同步到索引
有些链路识别成功并生成了文本层，但后续的压缩、水印、格式转换步骤把文本层丢掉了。还有些情况是文本层已经写入，但搜索索引没有重新构建，导致搜索仍然命中不到。需要分别验证文件内是否真的存在文本层，以及索引服务是否收到更新通知。
一份可执行的排查清单
上传前确认扫描分辨率不低于两百dpi，页面尽量摆正，避免大面积阴影。上传后查看识别任务状态与耗时。抽查识别结果的前几页，确认语言正确。下载处理后的文件，测试能否选中文字。最后在站内搜索一个页面中确实出现的词，验证索引是否生效。失败后按文件、任务、参数、索引的顺序逐层排查，不要一上来就重复上传。
把技术问题说明白，把交付过程做清楚，是it数运在处理这类文档识别与检索问题时的基本思路。问题出在哪一层，就从哪一层入手，比反复重传更省时间。
