如何用 OCR 翻译扫描版 PDF（并保留版式）

翻译扫描版 PDF 不是一件事——先做 OCR，再重建版式。扫描件没弄好，没有哪个翻译工具能救回这一页。

为什么扫描版 PDF 会毁掉常见的“保留版式”路径

原生数字版 PDF 本来就存着可选择的文字，而且（通常）带有结构。扫描版 PDF 基本就是一张张页面照片。在任何翻译工具能把词换到另一种语言之前，OCR 引擎必须先根据像素猜出这些词，然后还得有另一步把译文放回分栏、表格和页边距里。

正是这条两步链，让“OCR + 保留版式”和翻译原生 PDF 并保持格式感觉完全不同。Google Cloud 的文档翻译文档说得很直白：扫描版 PDF 往往比原生版丢失更多格式，密集表格、多栏页面和带标签的图表尤其如此。OCR 能还原字符串；从像素重建一份精致的版式，是另一件更难的事。

这篇指南讲的是两者的交集——怎么判断文件类型、怎么准备扫描件、怎么设定诚实的版式预期，以及怎么跑一条实用的 OCR→翻译流程——它不是又一篇方法盘点（那部分见2026 年如何翻译扫描版 PDF），也不是工具横评（需要选产品时，见扫描版 PDF 的最佳 OCR 工具或最佳扫描版 PDF 翻译工具）。

如何分辨纯图片、原生与混合型

上传任何东西之前先做这件事。走错流水线（对原生文件做 OCR，或对扫描件只做纯文本解析）既浪费时间，又会引入错误。

类型	在 PDF 阅读器里的快速测试	该怎么做
原生（数字原生）	能高亮并复制真实文字；搜索能找到短语	优先走文本层解析。不要强行整页 OCR——那是在用猜测替换精确文本
纯图片 / 扫描件	选中时整页被当成一张图片（或者什么都选不中）；搜索找不到有用内容	准备走 OCR。版式质量会跟着扫描质量走
可搜索扫描件	页面看起来像照片，但搜索/复制有时能用	图片下面可能已经藏着不可见的 OCR 文本。测几页——如果隐藏文本层是乱码或不完整，就重新 OCR，别信它
混合型	有些页能选中，有些页是纯图片（在“扫描件 + 数字封面”的文件包里很常见）	按页分流。假定“全是原生”或“全是扫描”的工具，要么漏译，要么过度 OCR

实用检查（不需要特殊软件）：

1. 打开第 1 页、中间页和最后一页。在每页上试着选中一句话。
2. 用“查找”搜一个你在屏幕上能看到的独特词。搜不到 → 当作扫描件处理（或文本层已损坏）。
3. 放大到 200%。字母发虚、有像素点，通常意味着这是纸张照片；清晰锐利的矢量字形，通常意味着原生。
4. 留意混合陷阱：数字封面 + 扫描正文，或者一份原生报告里夹着一页拍照的附录。要按部分判断，别只看第一页。

如果你还留着 Word / Google Docs / InDesign 源文件，那就翻译源文件，再导出新的 PDF。对压平后的扫描件做 OCR 只是退路——不是版式关键工作的理想路径。

OCR 之前的扫描质量清单

OCR 的准确率和版式的存活率，靠的是同一批输入。各家厂商的建议（例如 RWS Language Weaver 的 PDF 处理说明、Pairaphrase 的 OCR 准备指南）在底线要求上是一致的：

因素	目标	为什么重要
分辨率	正文文字 ≥ 300 DPI；极小的脚注或密集表格可到约 600 DPI	低于约 150–200 DPI 时，经典混淆会变多（rn→m、0→O）。更高 DPI 对小字号有帮助；但过了某个点，基本只是让文件更大
倾斜 / 方向	页面竖直方正；纵向或横向保持一致	歪斜的手机照片和朝向混乱的页面会打乱行检测和阅读顺序。有些 API 提供旋转校正——但在上游修好仍然更好
对比度	干净的浅色背景配深色文字；避免压死的黑白或发灰的灰阶	对比度过高或过低，都会把细笔画变成墨块或鬼影。对浅淡的墨迹，灰阶常常胜过激进的二值化
遮挡物	正文上不要有印章、重水印、折痕、透印或手写内容	任何盖住字形的物体，都会变成 OCR 编造出来或直接跳过的“文字”
版式一致性	能控制扫描时，让同一文件里的页面模板尽量相似	把多栏杂志页和简单信函混在一次 OCR 里，会损害分区效果
手写与文字照片	预期结果偏弱	手写便条、白板拍照和地图依然很难；请准备人工摘录或人工复核
语言	尽量每个文件一种主语言；在 OCR 工具里设置语言提示	搜索空间受限时，词典和文字模型的表现更好

如果能重新扫描： 用平板或送纸器以 300 DPI+ 扫描，输出 PDF（而不是一堆发虚的 JPEG），把页面摆正，如果黑边干扰区域检测就去掉，亮度保持适中。如果不能重新扫描： 用 PDF/OCR 工具做去斜，裁掉装订孔处的页边，并接受一点——复杂报告的模糊传真件，翻译后还需要一轮清理。

“OCR + 保留版式”实际能做到什么

用文档形态来定标准，而不是用营销文案。

通常表现不错

• 单栏信函、区块简单的发票，或标题清晰的报告，只要是干净、高 DPI、摆正的扫描件
• 徽标和照片仍作为图片保留，而附近的图注被翻译
• 简单页面上，分栏和页边距大体能保住

常常需要复核

• 由线条而不是真正表格对象构成的表格——文字变长后，单元格边界会漂移
• 双栏或三栏杂志；侧边栏；引文块
• 与正文混排的表单、印章和签名
• 会变长的目标语言（例如许多欧洲语言对比英语）——按源语言尺寸做的文本框，即使 OCR 完美也会溢出

较弱，或在纯 OCR→PDF 范围之外

• 手写、低对比度的复写纸、歪斜的手机照片
• 标签本身就是图稿一部分的密集标注图表
• 像素级精确的印刷宣传册——优先用可编辑源文件

诚实检查：OCR 给你的是词和框。OCR 之后的“保留版式”，意思是工具把译文放进这些区域（或者重建一个相似的页面）。它不意味着保证得到扫描件的孪生版。优先选那些能返回可预览的重建 PDF 的工具，而不只是纯文本堆。想了解在买家清单里“保持格式”应该是什么意思（表格、字体、图片、页面布局），请看配套指南：翻译 PDF 并保留版式。如果你的文件已经是原生 PDF（文字可选中），就用 OpenL 的 PDF 翻译器走保留版式的翻译，而不是扫描件的 OCR 路径。

实操步骤：扫描版 PDF → OCR → 版式感知翻译

1. 先用上面的测试给文件归类。真正的原生页跳过 OCR。
2. 准备好扫描件，按清单检查（DPI、倾斜、对比度、遮挡物）。如果文件低于约 200 DPI 且纸张还在，就重新扫描。
3. 选择路径
   • 一体化 OCR + 翻译 —— 扫描干净、版式需求中等时（客户分享、内部评审），一次上传搞定。
   • 先 OCR，再翻译 —— 术语或法律措辞重要时：先产出可搜索/可编辑的中间文件，改正 OCR 错误（人名、数字、表格单元），然后再翻译。
4. 在 OCR 或文档工具里设置语言和文字提示。语言包选错，会悄悄拉低 CJK、阿拉伯文、西里尔文和混合文字页面的质量。
5. 带着版式重建的思路去翻译 —— 选一条能输出带结构 PDF（或 DOCX）的文档流水线，而不只是聊天式的段落。
6. 先抽查难页 —— 每一张表格、每一个多栏跨页、页眉页脚，以及任何带印章或插图的页面。
7. PDF 走到死胡同时就升级处理 —— 如果版式关乎任务成败（印刷、受监管申报），就去要可编辑原稿。

想要在清晰扫描件上做 OCR、同时在一个地方看到版式预览，走这条轻量产品路径：OpenL 的扫描文档翻译器，在 doc.openl.io 上。可以先用它在一份样本上判断是否合适；整份文档运行是收费的，因为计算量很大。当你不在电脑前时，iOS Doc Translator 应用覆盖了设备端的文档流程和偏 OCR 的流程。

付费之前先预览

在还没看到 OCR + 版式效果时就为整包扫描件付费，正是买家被卡在没法用的文件上的原因。

1. 确认文件确实是扫描件（或者哪些页是）。
2. 上传一份有代表性的样本 —— 包含一页简单的和一页难的（表格或双栏）。
3. 优先选能看到版式的免费或有限预览，而不只是按字数报价。在 doc.openl.io/translate/scanned-document 上，你可以在决定处理整份文件之前，先看每天一次的免费预览。
4. 检查 OCR 的破绽：人名乱码、栏被合并、表格里数字错位、侧边栏丢失。
5. 到这时才为整份文档付费——而且在对外分享前，仍然要先看首页/末页以及每一张表格。

Sources

• Translate documents — Google Cloud Translation — 官方说明指出扫描版 PDF 比原生版丢失更多格式；原生与扫描混合内容的注意事项；扫描版 PDF 翻译的方向处理
• PDF processing guidelines — RWS Language Weaver — 最低 300 dpi、倾斜与对比度、手写限制，以及 MT 之前的版式一致性
• How to Extract Text From Scanned PDFs Reliably — OCRByte — 原生文本回退、去斜、对比度、语言提示，以及版式感知的 OCR 清单
• Highest quality scanned document translation with OCR — Pairaphrase — 遮挡物清除，以及 300–600 DPI 重扫建议
• Detect Scanned PDF Document — UniDoc — 判断扫描版与文本版 PDF 的启发式方法，以及可搜索扫描件的边缘情况
• Scanned Document Translator — OpenL Doc — 面向清晰扫描件的 OCR、偏重版式的输出，以及付费前的免费预览