结论:先分类,再按四类问题处理
PDF 扩展名下可能是电子件、扫描件、带权限文档,甚至图片。求助最终落在四类——打不开、搜不到、太大、合并后乱了。顺序不能颠倒:先判断电子件还是扫描件,因为它决定后面每一步是否可行。工具清单见 PDF 使用指南。
第一个分岔:电子件还是扫描件
电子件有真实的文字层,文字可复制、可搜索、可编辑,文件体积小。扫描件本质是图片,看起来有字,是因为 OCR 把识别结果作为不可见的文字层附在图片上。这个文字层有三个特性:
- 准确率 85%–98%,取决于扫描质量与字体;
- 错误集中在低频字符、标点和数字,
l/O/1/0这类最容易混; - 不可编辑——复制出来的是 OCR 的猜测,不是原文。
判断方法很简单:试着选中并复制一段文字。复制不出来或复制出乱码,多半是扫描件;能正常复制且文字正确,就是电子件。需要编辑 PDF 内容就必须先 OCR,而 OCR 的质量决定了后续所有操作的上限。
两种密码:打不开 vs 不能复制
PDF 加密不是开关,而是两层:
| 类型 | 决定什么 | 表现 |
|---|---|---|
| owner password(所有者密码) | 能否打开文件 | 不给就进不去 |
| user password(用户密码) | 打开后能做什么 | 能打开但禁止打印/复制 |
所以「文档打不开」和「文档能开但复制不了」是两个完全不同的问题:前者需要 owner password,后者只是权限限制。
移除 owner password 必须提供原密码——这是格式的设计,不是工具的缺陷。解密只适用于已知密码的场景;忘记密码的加密 PDF 在密码学上不可破解,只能回到备份。另有一些文件声称「已加密」,其实只是设了权限密码、本身能正常打开,先用检测手段确认是哪一种,再决定处理方式。
搜不到:OCR 文字层不可信
扫描件的搜索行为有个隐蔽特征:它似乎能用,但结果不可信。
具体症状:搜 lO1(小写 L、大写 O、数字 1)找不到本该命中的 101,因为 OCR 把数字 1 认成了字母 l;人名可能命中形近字;复制出来的编号做数据处理会得到错乱的数字。
按目标分两种处理:
- 归档检索 → 用图像级搜索。它对整页做视觉匹配或版面识别,不依赖 OCR 的逐字结果,反而更可靠。
- 内容编辑 → 先 OCR,再人工抽查关键字段:金额、编号、日期。抽查比例按业务风险定,财务凭证要高得多。
太大:压图片,而不是压结构
扫描件 PDF 的体积构成很极端:约 95% 是图片,文字层只占几十 KB。
这解释了为什么通用的「压缩文档」往往无效——它优化的是字体嵌入、对象结构和元数据,而这些本来就微不足道。真正的杠杆在内嵌图片:
- 分辨率从 300dpi 降到 150dpi(印刷级降到屏幕级,肉眼几乎无差别);
- 无损 PNG 换成有损 JPEG(质量 0.6–0.8);
- 单色扫描件(如纯文字合同)转成灰度或位图。
三项合起来通常能降 60%–80%。注意有些工具的默认选项只做结构压缩,必须显式选择「图像压缩」那一档,否则压了半天体积几乎没变。
合并与拆分:书签和链接的牺牲品
合并 PDF 时最容易出问题的不是页序,而是结构信息。书签(outline)、章节跳转、表单域值、文内链接都依赖文档内部的页码与对象引用;简单工具把页面对象堆到一起,这些引用就全乱了:
- 书签指向错误的页码,甚至指向一个存在但无关的页;
- 内部链接跳到别处或彻底失效;
- 表单域值丢失。
处理顺序:用支持结构化操作、明确保留 outline 的工具 → 合并后逐个点击验证书签与链接 → 原文档之间有交叉引用就放弃合并,改为提供多个独立 PDF 加一个索引页。
拆分(用 PDF 裁剪工具 或按页拆)同样受影响,因为页码重排会让书签错位,拆完需要确认原书签是否还能对应。
自查与验证
- [ ] 先判断电子件还是扫描件(试着选中并复制文字)
- [ ] 分清是 owner password 挡着打不开,还是 user password 限制操作
- [ ] 归档检索用图像级搜索,不依赖 OCR 文字层
- [ ] 内容编辑前先 OCR,并抽查金额/编号/日期
- [ ] 压缩时压图片(降 dpi + 换 JPEG),不是压文档结构
- [ ] 合并/拆分后逐个验证书签与链接;跨文档互链考虑不合并
分别设置两层密码可直接观察差异:只设 user password 时文件仍能打开但打印被禁用;加上 owner password 后不提供密码就打不开。用 PDF 提取工具 处理同一份文件也能判断类型——电子件能提取完整文字,扫描件只能拿到 OCR 结果。