Unlimited OCR 2：扫描PDF转文字与跨页表格识别

Unlimited OCR 2 新增了什么？

百度介绍了对标题、段落、表格等版面元素的结构化识别，包括把跨页断开的表格和文字重新拼接起来，并把这个版本定位于超长文档。Unlimited 这个名字并不保证在线服务可以无限量使用：请按您选择的方式核对服务额度和部署要求。

来源： Baidu: Unlimited OCR 2 release and public test

扫描版 PDF 转文字：三步工作流

第一步，判断输入类型。如果文字无法选中，可能需要先做 OCR；如果能选中，但表格复制出来串了列，重点就在版面提取。把原始页面和提取结果并排放着，方便核对结构。

第二步，核对高价值细节：编号、日期、小数点、负号和列标题。每一行提取结果都带上页码。一次串列就可能让一个准确的数字变成一句错误的结论。

第三步，要求助手只根据核对过的文本作答。每一条重要表述都必须注明出处，字段缺失时要明确写“未知”。把“原文写了什么”和“原文是什么意思”这两类问题分开问。

如何核对跨页表格

重复出现的表头是标签，不是多出来的数据行。小计不应再加回到明细行上。一行延续到下一页时，先核对编号再合并；两条相似的描述可能属于不同的记录。

导出到电子表格之前，先数清原始行数，确认每个数值列的单位，并手动核对至少一个合计。不确定的字符就标为不确定，不要让助手去猜扫描件“大概”写的是什么。

试试这道有标准答案的文档分析提示词

这道虚构的文本练习测试的是提取之后的推理，而不是 OCR 模型本身，也不需要上传文件。正确结果是 A17 = 40 单位、B22 = 25 单位，合计 65 单位。重复的表头不增加任何内容，两张发票的付款状态都未知。

如果助手说发票已付款、把某一行算了两次，或者把表头当成一条记录，就算不合格。在把结果用到其他文档之前，要求它为每一行注明页码。

只使用以下这份虚构的文档提取结果。第 1 页：表头“发票 | 金额”；数据行“A17 | 40 单位”。第 2 页：重复表头“发票 | 金额”；数据行“B22 | 25 单位”。全文未注明付款状态。请输出一张包含发票编号、金额、来源页码和付款状态的表格。两笔金额只相加一次。付款状态缺失的，标为“未知”。解释为什么重复的表头不是数据行。不要推断付款情况，也不要编造缺失字段。

如何为您的文档选择 OCR 工具

批量处理整个档案库之前，先拿一组有代表性的样本试一试：一页清晰的、一页低质量扫描的、一页多栏的，再加一张跨页表格。还要检查您自己文件所用的语言和文字。在某一种语言或一份清晰样本上成功，并不代表每份文档都能准确识别。

涉及机密材料时，上传前先确认处理发生在哪里，以及该服务的数据处理条款。评估工作流期间，请用虚构样本或已打码的样本。开放模型权重和托管服务是两种不同的部署选择，运维要求也各不相同。

有用的产出，是可追溯、可核对的数据。除了提取速度，也要衡量修正耗时和漏掉的行数；如果事后还得有人把表格重做一遍，出得再快也没有价值。