扫描 PDF 给 Gemini 前怎样检查倒页、旋转和漏页
扫描 PDF 给 Gemini 前,先检查页序、方向、清晰度和缺页。预处理的目标是提供完整可读的输入,不是承诺 OCR 精度。本文附一组带人工参考的合成扫描页,方便比较处理前后是否更适合提取,未对 Gemini 做付费实调。
打印阅读任务与证据定位卡
阅读材料之前先写下三个要解决的问题、资料版本和准备寻找的位置。打印卡保留手写证据与结论的空间,适合带到资料核对现场。
打开打印阅读任务与证据定位卡。输入与文件仅在浏览器本地处理,可以预览、修改并导出自己的结果。
用同一份底稿辨认旋转页与缺中页
包中三份 PDF 的底稿都有三张扫描页。先读页脚的 01、02、03,再看字的方向。横着显示且页码连续,应先处理旋转;只有 01、03 时,无论如何旋转都找不回 02。
| 文件 | 物理页数 | 页脚顺序 | 答案 |
|---|---|---|---|
| baseline.pdf | 3 | 01、02、03 | 完整 |
| rotated.pdf | 3 | 01、02、03 | 第二页顺时针转了 90° |
| missing-middle.pdf | 2 | 01、03 | 缺印刷第 02 页 |
样例是本地生成的合成扫描图。旋转样本采用 PDF 页面旋转标记;真实扫描件若是图像本身倒置,仍需检查实际渲染方向。
用一个小样本制造明确缺陷
下载扫描页样本包。包内包含正常三页、第二页旋转、页序变为1-3-2、缺少第二页四种 PDF,以及标注清单。页面内容是合成收据编号和数值,不能作为客户文档或平台准确率材料。
每页有可见页标和独立记录编号,人工参考表固定如下:
| 原始逻辑页 | 页标 | 编号 | 合成金额 |
|---|---|---|---|
| 1 | 第1页 | DEMO-001 | 100 |
| 2 | 第2页 | DEMO-002 | 200 |
| 3 | 第3页 | DEMO-003 | 300 |
扫描版本没有可直接复制的正文文本层,目的是让输入质量问题显现。不要只对原始电子文本 PDF 试一次,就推断扫描件也能通过。
预检四项分别怎么做
页数与清单比对,发现少页只标缺失,不自动猜内容;页序查看可见页标、连续编号与段落衔接,不能仅靠 PDF 当前物理顺序;方向查看文字是否正立,旋转后另存副本;清晰度检查小字、表格线与边缘是否可辨。PDF 页旋转元数据和图片自身旋转都可能影响显示,应实际渲染检查。
| 检查项 | 发现的问题 | 处理动作 | 验收 |
|---|---|---|---|
| 方向 | 第二页横置 | 旋转副本 | 页标与数字正立 |
| 顺序 | 1-3-2 | 根据清单重排 | 三个页标递增 |
| 完整性 | 缺第二页 | 请求补充 | 不编补数据 |
| 可读性 | 小字模糊 | 重新扫描或更清晰来源 | 人能辨认目标字段 |
所有处理保留输入摘要、输出摘要和操作记录。不要覆盖唯一原件,也不要把重采样放大误写成“恢复真实细节”;放大只改变像素呈现,未必增加有效信息。
前后比较只改输入质量
固定同一模型配置、同一提取提示和同一输出合同,分别使用原始缺陷版与处理版。先跑页标、编号和金额三个简单字段,比较漏页、页码错配和数字误读。样本小且人工构造,只能说明该流程能发现特定缺陷,不能代表线上扫描件总体准确率。
缺页版即使输出了三条,也不是自动修复成功,反而应检查是否猜出了不存在的第二条。把“正确识别缺失”纳入通过条件,防止模型为了满足输出条数补齐内容。对严重模糊页,正确结果可以是待人工,不要求强行填值。
样本包中的旋转版是把第二页栅格内容旋转后放入页面,重排版则改变实际物理页序。可以先用本地查看器验证这些缺陷确实存在,再执行模型对照,避免测试输入拿错版本导致全部结果看似相同。
常见问题
自动旋转全部页最方便吗? 先确认实际方向,自动判断也可能把表格或横版页转错。
清晰页通过了还需要坏页吗? 需要,缺陷样本才能验证流程是否会停下而不是猜测。
补齐页后旧结果还能直接拼吗? 先确认页码和编号映射,必要时整组重跑,避免新旧来源错位。
继续处理相关问题
相关入口:Gemini 接入基础。
官方依据与核对日期
核对日:2026-10-23。Gemini 文档预处理:官方建议上传前纠正页面方向并避免模糊页面;不构成精度保证。文中的流程、阈值和合成数据属于工程示例,不能代替当前账号、文件或运行环境的验收。
留言讨论
评论发布后会被人工复核,违规内容将被删除。
如果发表没有反应,可以前往联系我们告诉我们。