由多个来源组装而成的 PDF 通常包含扫描图像页面和数字创建的文本页面的混合。前十页是来自报告导出的清晰数字文本。接下来的五张是手写笔记的扫描图像。附录是两者的混合。这种混合文档带来了处理挑战：OCR 仅适用于扫描的页面，适合数字文本的压缩设置不适用于扫描的图像，搜索工具可以在某些页面上找到内容，但在其他页面上找不到内容。
处理好混合 PDF 意味着适当地处理每种页面类型，而无需将文档拆分为单独的文件。本指南介绍了如何识别哪些页面需要进行哪些处理、如何有选择地应用操作，以及如何生成可搜索、大小合理且外观一致的统一输出。
根据文档管理公司 M-Files 2024 年的分析，混合扫描和数字 PDF 约占企业文档存储库中所有 PDF 的 22%（M-Files，“企业文档构成分析”，2024 年）。混合格式很常见，因为文档是从不同来源组合而成的。处理挑战是标准的。
识别哪些页面是哪些页面
识别扫描页面的最快方法是尝试选择文本。打开 PDF 并将光标拖过页面上的文本。如果文本突出显示并且您可以复制它，则该页面是数字页面。如果无法选择单个单词并且光标将整个页面选择为图像，则会扫描该页面。逐页浏览文档并记下扫描了哪些页面。对于典型文档来说，这需要一分钟的时间，并准确告诉您哪些页面需要 OCR。
对于多页文档，更快的方法是搜索常见单词，例如 the or and。搜索结果仅在数字页面上匹配。没有匹配的页面是扫描的页面。 扫描的 PDF 识别步骤至关重要，因为对页面类型应用错误的处理会产生不良结果。过度压缩扫描页面会导致文本无法阅读。如果不对它们进行 OCR 处理，内容将无法被搜索到。
选择性 OCR：仅处理扫描的页面
在数字页面上运行 OCR 是一种浪费，而且实际上可能会因为添加可能与原始文本冲突的第二个文本层而降低质量。正确的方法是仅在扫描页面上运行 OCR，同时保持数字页面不变。某些基于浏览器的 OCR 工具支持页面选择，允许您指定页面范围或选择单个页面进行 OCR 处理。
如果您的工具不支持选择性 OCR，请将 PDF 拆分为扫描部分和数字部分，仅对扫描部分进行 OCR，然后将所有内容合并在一起。额外的拆分和合并步骤会增加工作流程几分钟，但比不加选择地运行 OCR 会产生更好的结果。 WukongPDF 的OCR PDF 工具和合并功能支持这种选择性方法。
混合文档的压缩策略
应用于混合文档的单一压缩设置会产生不均匀的结果。适合扫描图像的设置（通常是适度压缩以保持文本易读性）对于数字文本页面来说过于保守，数字文本页面可以更积极地压缩而不会造成明显的质量损失。适合数字文本的设置会使扫描的页面无法读取。
解决方案采用相同的拆分-处理-合并策略：分离扫描部分和数字部分，使用适合其内容类型的设置压缩每个部分，然后重新组合。 The PDF Tools workflow for mixed documents is more steps than processing a uniform document, but the output quality justifies the extra effort.使用统一设置处理的混合文档会出现数字页面臃肿或扫描页面难以辨认的情况。
何时放弃并将它们分开
对于某些混合文档，拆分-流程-合并方法产生的结果在技术上是正确的，但在视觉上不一致。以不同方式处理的扫描页面和数字页面在最终文档中看起来会有所不同。如果视觉一致性比单个文件更重要，请将扫描部分和数字部分保存为单独的 PDF。收件人收到两个看起来一致的文件，而不是一个看起来不匹配的文件。 PDF Tools 的决定是实用的，而不是教条式的。