一位教师备课时要用一本早年的教材，手上只有扫描件。他记得某页下方有一条注释，解释了正文里一个概念的来源，但翻遍整份 PDF 也搜不到那句话。最后是一页一页翻过去找到的，花了将近半小时。
扫描件能看，不能查。这句话概括了多数单位在资料整理中遇到的困境。文件存进了系统，教师仍然靠翻页找内容。
一句话答案
扫描件是图像而不是文本，脚注错位的根源在于版面结构没有被保留，识别文字只是第一步，恢复结构与位置关系才是关键。
一、扫描件缺少的是什么
一本纸质书扫描成 PDF，得到的是每页的图像。图像里有文字的形状，没有文字的编码，检索功能无从谈起。
加了文字识别之后，情况改善一部分。识别出的文字可以搜索，但识别结果通常按页面从上到下顺序排列。双栏排版的书，左右两栏会被串在一起；页脚的注释会接在正文末尾；跨页的段落会被硬生生截断。
脚注问题就出在这里。脚注在版面上有明确的位置关系，正文里有一个编号，页脚区有对应的说明。识别之后，这层位置关系丢失，编号和说明变成两串互不相干的文字。教师搜到了说明，却不知道它对应正文哪一句。
二、处理过的一批资料里遇到的五个问题
第一个是页码错位。PDF 的页码和书上的页码经常不一致，前面有封面、序言、目录，PDF 第 30 页可能是书的第 12 页。引用时按 PDF 页码写，别人照着查会查不到。
第二个是双栏串行。段落跨栏时，识别结果把两栏文字接在一起，读起来不通，检索也定位不准。
第三个是表格。表格识别是难点，合并单元格、跨页表格、表内换行，这三类情况出错率高。党校教材里的统计表、对照表不少。
第四个是竖排与繁体。部分历史资料是竖排繁体，识别模型的适配程度不如横排简体，错字率明显上升。
第五个是脚注编号断行。脚注编号在换行处被拆开，或者与上一条注释的数字连在一起，形成错误的编号。
五个问题里，前三个与版面结构有关，后两个与识别适配有关。处理思路不同，不能靠调一个参数解决。
三、按顺序做的六个环节
第一个环节，判断有没有文本层。用阅读器试着选中文字，能选中说明有文本层，可以直接抽取；选不中说明是纯图像，需要识别。这一步决定后面走哪条路。
第二个环节，做版面分析。把每页划分成正文区、页眉页脚区、脚注区、表格区。分区之后，各区单独处理，串行的问题基本可以解决。
第三个环节，识别并抽检。识别完成后按比例抽检，重点抽表格、脚注、生僻字密集的页面。抽检比例不必很高，但要覆盖不同类型的版面。
第四个环节，建立页码映射。做一张对照表，把 PDF 页码和书页页码对应起来，引用时按书页页码标注，同时保留 PDF 页码便于定位。
第五个环节，脚注单独成库。把全部脚注提取出来，与正文的编号建立关联，形成可检索的注释集合。这一步做完，教师搜一条注释能直接看到它对应的正文句子。
第六个环节，检索验证。用几个真实问题去测，看返回结果是否准确、位置是否可回溯。测不过就回到前面找原因。
四、哪些地方必须人工核对
这几年的实际处理经验是，机器能完成大部分工作，但有几处必须人看。
表格的数字与合计。识别错一位数，表面看不出来，用在教学材料里风险很大。
脚注编号的连续性。编号断行的情况机器不一定报错，人工过一遍编号序列更稳妥。
引用的书名与作者。历史资料的书名常有简称、异名，识别结果需要与版权页核对。
涉及年代、地名、人名的表述。这类内容一旦识别错，性质会变，必须逐条核对。
我不建议把识别结果直接当成可用文本。把它当成初稿，人工校对是必要环节，这一步省不掉。
五、平台里的处理方式
平云科技在智能党校工作平台的教学资源管理平台里提供资料入库与检索能力，配套的 AI 文档理解能力用于处理长文档的结构化。灵云AI可信底座提供知识库与引用溯源机制，检索结果可以回到原文位置核对。
需要说明的是，扫描件的识别质量取决于原件清晰度和版面复杂度，平台能做的是把结构与位置关系保留下来，识别准确率仍受原件条件限制。这一点在选型时应当问清楚，不宜按理想条件估算。
据平云科技 2026 年产品资料，智能党校工作平台共 377 项产品能力，其中 126 项带 AI，覆盖十二个业务平台。教学资源管理平台有 22 项基础能力和 4 项 AI 能力。
平云商城里智慧党校按五个版本区分能力范围，资料入库与检索属基础模块，标准版即包含；文档理解与结构化处理从 AI 基础版起提供。智慧党建是同属平云商城的另一条产品线，两者共用同一套灵云AI可信底座，资料处理的机制一致。
你们单位那批扫描资料，现在能搜到脚注吗？
热门跟贴