扫描版产品手册缺少文字层，型号参数很难被抓取

网站人员把一份旧产品手册上传到下载区，页面和文件都能打开。销售却发现，浏览器里搜索型号找不到结果，复制参数表也只得到一张图片。手册由纸质资料扫描而来，PDF 有几十页，却没有可检索的文字层。客户能看见内容，抓取程序未必能读懂里面的型号和参数。

先确认PDF里有没有可用的文字层

不要根据文件扩展名或清晰度判断。资料负责人可以在浏览器里选中一段参数，使用页面查找搜索完整型号，再用 PDF 文本提取工具抽查输出。若结果为空、整页只返回一个图片对象，或型号被拆成无意义字符，这份手册就不能靠原文件承担参数检索。

检查结果要进入资料台账。manual_id、product_series、revision、language、page_count、file_hash 和 text_layer_status 分开记录，状态可设为 absent、ocr_unreviewed 或 reviewed。文件换版后重新计算哈希，并对文字层再做一次抽查，不能因为旧版通过就默认新版也正常。

扫描预处理也会改变识别结果。倾斜页面要校正方向，双页展开图应按原页序拆分，裁切时保留页码和表格边框。若技术人员先合并封面或附件，台账同时记录文件页序与手册印刷页码，避免 OCR 完成后找不到原始位置。

扫描手册仍可能作为公开附件，但产品页要同时提供可抓取的型号摘要。型号、关键尺寸、适用范围和手册版本写进 HTML，不把重要事实只留在图片里。若 PDF 适合独立收录，还要按PDF从搜索结果返回官网的处理方法保留产品页入口和版本说明。

OCR结果要按型号和表格结构复核

OCR 可以生成文字层，不能直接把识别结果当成产品事实。型号里的字母 O 与数字 0、字母 I 与数字 1 容易混淆；负号、正负公差、μm 和小数点一旦识别错误，页面仍可能显示出看似合理的数值。系统应保存 original_text、normalized_text、confidence、source_page 和 reviewer。

表格还会出现行列错位。扫描页中的型号放在首列，尺寸与电压分布在后续列，OCR 若按阅读顺序串成一段，参数可能挂到相邻型号。审核人要以 product_id 为单位逐行核对，并把表头、单位与数值一起保存。无法确定的单元格保持 pending，不根据上下型号补齐。

文字层应覆盖真实可读内容，不在隐藏层堆入网页关键词。工程示意图、曲线和装配图仍以图像保留，旁边增加准确说明与原页编号。手册中的检测结论需要更严格的证据关系，可参考检测报告摘要与来源页码的记录方法，不要从 OCR 文本里截一句话单独发布。

审核完成后生成新的文件版本，文件名使用产品系列、资料类型和修订号。旧扫描件不直接覆盖，台账用 superseded_by 指向新版。若客户仍需查看原始印章或手写批注，可以在授权范围内保留页面图像，同时让检索文字与该页位置对应。

发布验收要同时打开网页和文件直链

下载页写明资料对象、语言、修订版和更新时间，链接返回正确的 application/pdf 类型。PDF 文档属性里的标题与语言也要填写，文件名避免 final、new 等无法判断版本的词。网页参数若靠接口异步加载，还需对照原始HTML中的参数回退方法，确保手册摘要不只存在于浏览器渲染结果。

验收人员从公网下载文件，搜索两个完整型号、一个带单位的参数和一个页码，再复制到纯文本编辑器检查字符。随后关闭脚本打开下载页，确认型号摘要和版本说明仍然可见。移动端也要测试查找与缩放，避免文字层和页面图像错位。

这些检查只能证明资料具备被读取的条件，不能承诺百度已经收录。发布记录应保存文件 URL、对应页面、file_hash、文字层状态和审核人。下次手册增加页面或重新扫描时，负责人按记录重跑同一组型号与参数测试，避免新文件又退回只有图片的状态。