检查双栏 PDF 时,顺着每段文字找到它的下文。如果中途插入了另一栏的句子,先修正阅读顺序,再生成摘要或建立索引。

识别交错的双栏文字
常见的错误是左栏一行、右栏一行轮流出现,也可能有图注插在半句话中间。按位置排序可以辅助整理,整理后的顺序仍需对照原文确认。
先挑一页有版面变化的,比如双栏上方有通栏标题、页面上有大图,或正好是一节的末尾。确认是先读完左栏再读右栏,还是按其他顺序阅读。不同文档的编排可能不同,以原文为准。
先修好一页,再处理整篇文档
- 找出 PDF 每一栏的首句和末句,在 Markdown 中定位同样的句子。
- 以完整段落为单位移动文字,使之回到原文顺序。两栏的文字即使在同一高度,也不一定连在一起。
- 把通栏标题放回对应章节的前面。图注随图保留,脚注与其标记保持对应。
- 把一页的末段和下一页的首段连起来读,检查分页处承接的文字有没有重复或漏掉。
留下便于复核的线索
假设左栏一行写着“第二项实验”,下一行接着写“采用了较小的样本”。如果两部分之间插入了右栏关于经费的一句话,就是版面顺序错了。先恢复完整句子,再通读前后段落,避免只挪动孤立的词语。
整理研究笔记时,保留有用的章节名和页码。独立的边栏内容要标注清楚,避免混入正文的论述。遇到从右向左排版或多种语言混排的页面,要直接查看版面来确定阅读顺序。
使用前核对转换结果
转换结果是一份工作副本。保留原始 PDF,核对要引用、用于计算或交给 AI 助手的段落。导出成功只表示生成了文件,内容仍需核对完整性和准确性。
MD Factory 可在 Windows 上将文档转成 Markdown。处理复杂 PDF 表格时,软件会根据版面推断结构,合并单元格和多行内容可能需要手动修复。OCR 准确率取决于原图和文字。是否需要清理、识别结果是否可靠,都要结合原文检查。
问答
重新做 OCR 能修正阅读顺序吗?
OCR 可能改变提取结果,也可能引入错字。已有数字文本可读时,先检查是否是版面问题,再决定要不要重新识别。
AI 摘要读起来很通顺,可以相信吗?
即便摘要通顺,原文的双栏文字也可能已经串在一起。让 AI 总结前,先核对文本本身的阅读顺序。