合同扫描件传到网站后台，想搜“违约金”却搜不出来，点开文件只能一页页翻——这类问题在网站维护中很常见。根源通常不是文件损坏，而是它属于图片型PDF。文字型PDF以字符编码存储内容，复制、搜索、检索都能直接用；图片型PDF的每一页本质上是一张照片，浏览器能显示却认不出里面的字。要让扫描件可检索，中间必须经过OCR识别，而这条链路上任何一层没对齐，都会表现为“文字复制不了”。
先确认PDF里到底有没有文字层。最简单的办法是打开文件，用鼠标试着选中一段正文，能选中并复制出连贯文字，说明文字层存在；整页只能框选出一张图，说明是纯图片。也可以查看文件属性中的页面对象构成，或借助阅读器的文本提取功能做一次抽样。这一步的意义在于区分“没有文字层”和“有文字层但编码异常”，两者的后续处理方向完全不同。
再核对OCR任务是否真正触发。不少上传流程只做了文件存储，识别任务依赖人工点击或定时队列，任务失败、超时、被跳过都不会在页面上留下明显提示。此时要查识别记录：文件上传后有没有生成对应的识别任务，任务状态是成功还是失败，失败原因指向哪一环。同时要核对识别语言参数，中文合同混排英文条款、数字和表格时，语言包选错会直接导致识别结果大段缺失。扫描件若有轻微倾斜，倾斜校正未开启也会让行识别错位，表现为文字层存在但内容错乱。
接着核对识别结果如何回写。常见做法有两种，一种是把识别文字作为隐藏文字层叠加在原图下方，视觉不变但可选中复制；另一种是单独生成检索索引，供站内搜索调用，文件本身仍不可复制。两种方式没有优劣，关键是要与用户预期一致。如果用户需要在下载后的文件里复制文字，就必须采用隐藏文字层方案；如果只是站内搜索能命中，索引方案即可。维护时要确认回写是否完整覆盖全部页面，避免只处理了前几页。
最后回到源头看扫描质量。分辨率过低、对比度不足、纸张透印、装订阴影都会拉低识别率。一般建议文本类扫描件在三百dpi左右，正文清晰可辨、无明显倾斜和噪点，作为可接受的基础标准。低于这个水平，即使识别链路全部正常，结果也会出现大量错字，检索体验依然很差。维护方可以在上传环节给出分辨率提示，而不是等识别完成后再返工。
综合起来，一份PDF的可检索性自查可以分两侧进行。上传方应确认扫描分辨率、页面是否端正、是否为纯图片、是否需要保留可复制文字；维护方应确认识别任务状态、语言与校正参数、回写方式与覆盖范围、识别结果的抽样准确率。两侧各确认一遍，大多数“复制不了”的问题都能定位到具体环节。
在网站维护的实际交付中，把识别任务的触发、参数、回写方式和抽样结果记录下来，比事后反复排查更省时间。it数运在处理这类文件链路问题时，习惯把每一层的核对结论写进维护记录，让上传方和后续接手的人都能看懂问题出在哪一步。技术问题说明白了，交付过程自然清楚。
