内容中心 › 扫描件
坑一不用装任何工具就能验：能选中文字，不等于有文字层。
我把一份 15 页英文论文的第 5 页渲染成图、重新包成单页 PDF，再取文字层，字符数是 0；同一页在原始 PDF 里是 3,193 个字符。扫描件"翻出来是空白"，九成卡在这，不是引擎不行。
下面 5 个坑，前 3 个能用数字量出来，参数写死在 tools/csdn_measure_scan.py 里，谁跑都一样。
能预览、能翻页不代表里面有字。全选正文复制、粘到记事本——粘不出字就是纯图像，只能先 OCR。
"糊"不是形容词，是可以量的。第 5 页两种出图路径，其他一切不动：
| 指标 | 300dpi 直出 | 降至 150dpi + JPEG q45 | 变化 |
|---|---|---|---|
| 墨迹像素占比 | 4.17% | 3.89% | −0.28pt |
| 拉普拉斯方差（锐度） | 3,249.7 | 371.2 | −88.6% |
| 连通块总数 | 2,884 | 5,276 | +83% |
| 碎片块（面积≤6px） | 10 | 354 | 35 倍 |
| 碎片率 | 0.35% | 6.71% | 19 倍 |
锐度掉 88.6%，碎片块从 10 个涨到 354 个。意思是同一个字被压断成两三截，OCR 面对的是残笔画。
〔图〕300dpi 直出与降 150dpi + JPEG q45 的整页对比
整页缩略图上看不出差别——这才是最坑的地方。放大到像素级才看得见：
〔图〕正文局部的像素级对比，右侧笔画边缘糊出灰边
右边每个笔画边缘糊出一圈灰。人眼靠上下文还能读，OCR 拿到的是灰度过渡带，阈值一切就断。
怎么绕： 别用微信转发的图、别用网页截图。重拍就 3000 万像素以上、单页正对拍；有原件就重扫 300dpi。降到 150dpi 的损失，后面任何增强都补不回来。
同一份文件第 7 页，只做一件事：整体旋转 3.2°。
碎片率仍 0.10%，但行投影的峰均值比从 3.76 掉到 2.08（−44.8%）。行投影就是"每行多少黑点"的直方图：摆正时峰谷分明，切行一刀一个准；歪了峰谷抹平，行与行糊成一片。
所以"糊"和"歪"是两种病：糊断笔画（碎片率 19 倍），歪断行（投影 −44.8%，碎片率纹丝不动）。转格式、换引擎都治不了其中任何一个。
怎么绕： 拍之前把纸压平、手机与桌面平行；已经拍歪的，用看图软件转正再存。
页眉页脚、页码、装订线阴影、手写批注、盖章，全在同一张图上，会以"正文"身份参与切行——手写一笔横穿两栏，整段行结构就乱。而手写体和竖排古籍本就是识别短板，别指望它自动跳过。
怎么做： 上传前把正文区域框出来单独存页；批注多的页，按"只看大意"处理。
页数一样，档位不同，单价差 9 倍。同一份 15 页扫描件的账：
| 档位 | 积分/页 | 15 页合计 | 什么时候选 |
|---|---|---|---|
| 常规 | 1 | 15 | 电子版、只要看懂 |
| 公式保留 | 5 | 75 | 有公式、要能对着看 |
| 版式精排 | 6 | 90 | 表格图注双栏不能散 |
| 扫描件增强 | 9 | 135 | 纯图像、需先 OCR |
扫描件走第四档，因为多了 OCR 这一道；中英对照每页再 +1。先确认是不是纯图像，再决定档位。
1. 全选复制一次。 粘不出字＝纯图像，直接走扫描件档。
2. 看分辨率。 单页宽低于 1500 像素，重拍或重扫。
3. 转正。 目测有倾斜就转，3° 都算明显。
4. 框正文。 页眉页脚、批注留在框外。
翻呗翻译支持 24 种语言、单文件 300MB / 1500 页，四档按页计费如上表；扫描件按语种分 OCR 通道，版式精排按原始边框重排表格图注。
边界也讲清楚：手写体、竖排古籍识别率低；三栏以上版面可能错位；扫描件整体比电子版低一档。这些数字只说明"图像质量决定上限"，不构成对准确率的承诺。
---
取数口径：fitz 以 300dpi 渲染，降质路径为「缩至 150dpi → JPEG q45 → 双三次放大回 300dpi」，旋转 3.2° 双三次插值补白；碎块按 8 连通、面积 ≤6 像素计；行投影峰均值比＝最大行墨迹数 ÷ 非空行均值。输出 work/csdn-scan-metrics.json。