PDF 转 EPUB 后文字粘连、乱码？问题出在 OCR 这一步
在各大电子书论坛上，有一类问题反复出现：
"转换后单词之间的空格消失了，出现了 'mgoing'、'corruptyour' 这样的东西"
"扫描版的 PDF 转出来全是乱码，完全没法读"
"中文 PDF 转完之后出现大量不认识的字符"
这些问题指向同一个环节——OCR（光学字符识别）。不过，即使你的 PDF 不是扫描件，文字提取这一步也可能出错。让我们来拆解一下到底发生了什么。
两种 PDF，两种问题
文字型 PDF
Word、LaTeX 等软件导出的 PDF 内部是有文字信息的。但这些文字信息的存储方式远没有你想象的那么友好。
PDF 把文字存储为一系列「在坐标(x,y)放置字符」的指令。关键问题在于：PDF 不一定存储了单词之间的空格。两个单词之间的间距可能只是通过坐标偏移来实现的——字母 "m" 在坐标 120，字母 "g" 在坐标 135，中间的空格是靠 15 个像素的间距暗示的。
传统转换器需要自己判断：「120 和 135 之间差了 15 个像素，在 10pt 字号下，这算一个空格还是只是字母间距？」
这个判断经常出错。太严格了，正常的字母间距被当成空格，单词被拆散；太宽松了，单词之间的空格被吞掉，"I'm going" 变成了 "I'mgoing"。
中文 PDF 还有一个额外的复杂度：中文本身不用空格分词，但中英文混排时需要在切换语言的地方正确插入空格。很多转换器在这里翻车。
扫描型 PDF
扫描件 PDF 更棘手——它本质上就是一堆图片，文件里没有任何文字信息。必须用 OCR 来「认字」。
传统 OCR 引擎（如 Tesseract）的工作方式是：
- 对图片做二值化处理（变成纯黑白）
- 切割出每一个字符的轮廓
- 和字符模板库做匹配
- 输出识别结果
这个过程有几个硬伤：
- 字符级识别：每个字符是独立识别的，不理解上下文。所以 "rn" 和 "m" 经常搞混（它们长得太像了），"cl" 和 "d" 也是常见混淆对。
- 排版敏感：如果扫描有轻微倾斜、纸张有褶皱、打印质量不好，识别率会大幅下降。
- 版式盲区：传统 OCR 不理解页面布局。它不知道这块文字是正文还是页码，不知道两栏排版应该怎么读。
MobileRead 论坛上有用户做过实测：一本 129 页的多栏排版 PDF，传统转换器的准确率只有约 60%，多栏格式完全丢失，脚注被折叠进正文。
AI OCR 做了什么不同的事？
pdf2epub.ai 使用的是 Google Gemini Flash——一个多模态大语言模型。它处理 PDF 页面的方式和传统 OCR 有本质区别。
区别一：视觉理解 vs 字符匹配
传统 OCR 是在做模式匹配：这个像素块像字母 "a"，那个像字母 "b"。
Gemini 是在做 阅读理解：它「看」整个页面，理解文字在说什么。当它看到 "I'm going" 时，即使某些字符模糊，它也知道这里应该是 "I'm going" 而不是 "I'mgoing"——因为它理解英语的语法和语义。
这意味着：
- 空格问题基本消失。AI 理解单词边界，不需要靠像素间距来猜。
- 形近字混淆大幅减少。"rn" vs "m" 这种问题，AI 通过上下文就能判断。比如 "mo__ing"，传统 OCR 可能输出 "moroing"，AI 知道这应该是 "morning"。
- 中英文混排自动处理。AI 理解语言切换，会在正确的位置插入适当的空格。
区别二：页面级理解 vs 字符级处理
传统 OCR 先切割字符，再逐个识别。它看到的是一个个孤立的字符轮廓。
Gemini 看到的是 整个页面。它一次性理解页面上所有元素的角色和关系：
这个页面有：
- 一个标题（"第三章 量子力学基础"）
- 两栏正文
- 左栏底部有一个脚注
- 右上角有页码 "42"
- 底部有一个数学公式
- 中间有一张实验示意图
所有这些判断是同时做出的，相互印证。AI 不会把页码当成正文的一部分，因为它理解页码的视觉位置和功能。
区别三：内容感知的后处理
传统 OCR 输出原始文本后，通常只做简单的拼写检查。
我们的流程在 OCR 之后还有一层 AI 驱动的合并优化：
- 跨页内容衔接：如果一个句子在第 40 页底部被截断，第 41 页顶部继续，AI 会正确地把它们连接起来。
- 脚注标记匹配：AI 会检测正文中的脚注标记（如 ¹²³），并将它们和页面底部的脚注内容正确对应。
- 公式规范化：PDF 中的数学符号（如 x²、∑、∫）会被转换为标准的 LaTeX 格式，确保在 EPUB 中正确渲染。
我的 PDF 是扫描件，转得了吗？
可以。
实际上，扫描件 PDF 是 AI OCR 相对于传统 OCR 优势最大的场景。因为：
- 扫描件没有内部文字结构可以解析，传统方法和 AI 方法的起点是一样的——一张图片
- AI 的视觉理解能力在模糊、倾斜、低分辨率的图片上明显更稳健
- AI 可以利用上下文猜测模糊字符，这是传统字符匹配做不到的
不过也要坦诚地说：如果你的扫描件质量非常差（比如复印了好几代的传真件），任何 OCR 都很难给出完美结果。AI 会比传统 OCR 好不少，但不是魔法。
不同文档类型的表现
| 文档类型 | 传统 OCR 表现 | AI OCR 表现 |
|---|---|---|
| 纯文字小说 | 较好（90%+） | 优秀（99%+） |
| 学术论文（双栏） | 较差（60-70%） | 良好（95%+） |
| 技术手册（含代码） | 差（代码格式丢失） | 良好（保留代码块格式） |
| 数学教材（含公式） | 差（公式变乱码） | 良好（转为 LaTeX） |
| 中英混排文档 | 较差（空格问题） | 良好（自动处理） |
| 低质量扫描件 | 差 | 中等到良好 |
试试看
与其听我说，不如自己试：pdf2epub.ai 注册后有免费额度，拿你最头疼的那本 PDF 转一下看看效果。支持先转几页预览质量，不满意不扣费。