扫描版 PDF 是最难处理的文档类型之一。
它通常没有可选中文本层、没有结构化标题，也没有可直接使用的目录。结果就是：普通书签工具在这类文件上很快失效。
为什么扫描件必须先做 OCR
对图片型 PDF 来说，章节标题在 OCR 之前并不是“机器可读”的文本。
没有 OCR，自动化流程很难稳定识别：
- 章节标题内容，
- 标题层级关系，
- 各章节的起始位置。
一套可执行的 OCR + 书签流程
处理旧书扫描件、纸质资料电子化时，建议按下面步骤：
- 上传扫描版 PDF。
- 启用 OCR 分析文档结构。
- 自动生成初版书签树。
- 只手动修正少量错误节点。
- 导出最终带书签的 PDF。
这样可以把大部分工作量从“从零搭建”变成“集中校对”。
提升识别效果的实用建议
要得到更干净的结果，建议：
- 优先使用清晰度更高的扫描件（更高 DPI）。
- 尽量避免页面严重倾斜或裁切。
- 保持标题命名模式一致。
- 如果整体页码偏移，直接做一次全局偏移修正。
这类能力在哪些场景价值最高
- 档案数字化团队。
- 法务与合规文档电子化。
- 高校与培训机构资料迁移。
- 多语言历史文档整理。
结论
面对扫描版 PDF，OCR 辅助的书签生成是把“不可导航文件”快速变成“可交付文档”的最短路径。