在做简历上传功能时，我低估了一个场景：扫描件 PDF——用户从 scanner 或微信保存的 PDF，肉眼看正常，文本层却是空的。此时pdf-parse一类库几乎抽不出字，用户却认为「我上传没问题」。
下面是我们在线上用的分层提取 + OCR 回退思路，供同类文档上传场景参考。
1. 先判断：有没有可提取的文本层？
流程第一步不是 OCR，而是尽量便宜地拿文本：
- 优先Poppler pdftotext（结构化参数：行阈值、单元格分隔）
- 回退pdf-parse多种提取模式
- 统计「有效字符数」（去空白后），低于阈值（如 80 字）→ 判定为扫描件
这样能避免对可复制 PDF 做昂贵的 OCR。
2. 扫描件：渲染 → OCR → 规整
判定为扫描件后：
PDF Buffer → pdftoppm / pdf-to-img（按页渲染，DPI 建议 300 左右） → 图像预处理（灰度、对比度、锐化、小图放大） → Tesseract（chi_sim+eng，PSM 3/11/6 择优） → 文本后处理（去乱码行、拆粘连章节） → 简历规整（章节换行、列表符、经历行） → 规则诊断 / AI 分析PSM 说明（简版）：
3：全自动分页，适合整页简历11：稀疏文本，适合 bullet 列表6：单块文本，部分模板反而更好
可对同一页跑多种 PSM，用质量评分（有效字符比 + 章节词命中）选最优，而不是写死一种。
3. 工程踩坑（真实遇到过）
| 坑 | 现象 | 处理 |
|---|---|---|
| Docker 缺语言包 | OCR 全乱码 | 镜像预装chi_sim、eng |
| 多页 OCR 超时 | 用户以为卡死 | 限最大页数 + 流式进度 |
| Nginx 60s 断连 | 上传到一半失败 | 调proxy_read_timeout；OCR 阶段发 keepalive |
| 双栏 Word 模板 | 左栏技能与右栏经历串行 | 宽图分列 OCR + 后处理去噪（另文详述） |
| DPI 过低 | 小字号中文漏字 | 150 → 300，小图再放大 |
4. 进度与体验
OCR 单页可能 20～40 秒，整份 90 秒不罕见。不要只给一个 spinner。
我们采用NDJSON 流式响应，步骤例如：extract → ocr → normalize → done，每步推送进度百分比与人话文案（「正在识别扫描版文字…」）。OCR 阶段长时间无业务输出时，额外发心跳行，避免代理认为连接空闲而断开。
5. 代码结构（示意）
不必照搬，关键是阶段可观测：
// 伪代码：上传解析入口asyncfunctionparseResumeDocument(buffer,fileName){onStep("extract");consttextLayer=awaittryExtractText(buffer);if(hasEnoughText(textLayer)){onStep("normalize");returnformat(textLayer);}onStep("ocr");constocrText=awaitocrPdfPages(buffer);// poppler render + tesseractonStep("normalize");returnformat(cleanupOcr(ocrText));}6. 结论
- 扫描 PDF 在中文求职场景里不是边缘 case，是常态之一
- 后端要能自动回退 OCR，并在 UI 上让用户等得明白
- OCR 之后还要规整 + 人工校对，尤其双栏模板
我们在产品锦图简历里按上述链路实现简历上传（Word / 可复制 PDF / 扫描 PDF / 图片）。若你也在做文档类 ToC 工具，欢迎评论区交流 Poppler 与 Tesseract 在容器里的打包方式。
