待验证50% 置信决策规则精确时间
用pdfplumber打开页面调用page.extract_text()，若返回空字符串或大量(cid:NN)，说明文本层缺失或字体映射异常，应转向OCR/ML管道。
1
来源数
50%
置信度
长期有效
时效性
2026/10/17
首次发现
来源
涉及实体
相关事实
待验证判断PDF是否包含文本层最简单的方法是尝试用PDF库提取文本，若返回空字符串或乱码基本可确认是图像型PDF72% 相似已验证PDF本质上是面向打印的页面描述语言，内部存储字符的绝对坐标而非语义结构，导致扫描版需OCR、多栏排版顺序错乱、表格丢失行列关系等解析挑战68% 相似待验证在PDF和Word文档中隐藏文本的手段包括白色字体、极小字号、不可见图层、Unicode零宽度字符、元数据字段嵌入及利用PDF的JavaScript动态生成文本67% 相似待验证原生PDF的文字以字符编码形式存储，可以直接复制、搜索和提取，无需OCR；扫描型PDF本质是图像，必须通过OCR技术识别66% 相似待验证PDF 文档的解析流程通常包括 OCR 识别、文本提取、分块（chunking）、向量嵌入（embedding）生成、以及存入向量数据库等多个步骤64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1051553API
curl https://kongchang.com/api/v1/knowledge/claims/1051553MCP
get_claim(id=1051553)