PDF翻译前要检查什么？文字层、扫描件、密码与排版

PDF 能正常打开，不代表它适合直接翻译。我拿到陌生 PDF 时，通常不会第一时间上传，而是先花一分钟确认四件事：能不能选中文字、复制后有没有乱码、文件有没有密码限制，以及双栏和表格这类复杂页面的阅读顺序是否正常。

这一步看起来多做了一次检查，但比几十页全部处理完才发现顺序错乱省事得多。需要配合 Windows 客户端使用的读者，可以先从 网易有道下载 页面确认当前版本。本文只处理一个问题：PDF 上传翻译之前，到底应该检查什么。

先用 30 秒判断：这个 PDF 能不能直接上传

我一般先做下面这组快速测试。前三项都正常，再考虑整份上传；只要其中一项异常，我会先拿两页做测试。

检查一：先选中文字，再用 Ctrl+F 搜一次

第一步最简单：用鼠标拖动正文中的一个词或一句话。如果能单独选中文字，而不是只能选中整页图片，说明这个 PDF 至少存在文字层。

但我不会在这里就直接判定“可以上传”。我还会把选中的文字复制到记事本里看一次。有些 PDF 表面上能选择，复制出来却是乱码、缺字，甚至上下两行顺序颠倒。这种文件直接处理，问题往往会跟着文字层一起带到后面。

接着我会在当前页面找一个比较少见的词、数字或英文缩写，按 Ctrl+F 搜索。如果眼睛能看到这个词，但 PDF 阅读器完全搜不到，就要怀疑当前页面只是图片，或者文字层本身不完整。

检查二：看文件大小、页数、密码和权限

第二步我会打开文件属性，先记住总页数和文件大小。同样是几十页，全部由高清扫描图片组成的 PDF，体积通常会明显大于普通文字文档。但文件大并不能单独证明它就是扫描件，因为里面也可能包含大量图片、嵌入字体或高分辨率插图。

接下来测试三件事：能否复制文字、能否正常打印、能否另存。如果打开文件时已经要求输入密码，或者阅读器明确提示复制和打印受限，就不要靠改扩展名、反复转换格式之类的方法硬处理。

需要密码的文件，我只建议向文件所有者取得合法授权。尤其是合同、客户资料、内部报告，不要随便上传到来路不明的“PDF 解密”网站。

另外，在线文档服务的文件大小、支持格式和账号权限都可能调整。准备处理大文件时，我会以当时上传页面显示的限制为准，而不是记住一个几年不变的数字。

检查三：不要只看首页，要专门找最复杂的一页

不少 PDF 的第一页很漂亮，真正出问题的却在第十几页以后。所以我不会拿封面判断整份文件。

我会快速翻一遍，专门找下面这些页面：

• 左右双栏的论文正文；
• 跨页表格；
• 带大量脚注的页面；
• 公式和上下标较多的页面；
• 图片旁边带文字说明的页面；
• 横向页面、竖排文字或页面方向不一致的文件。

这里主要看“阅读顺序”。例如一篇左右双栏论文，正常顺序应该先读完左栏，再进入右栏。如果复制出来的文字变成“左栏第一行 → 右栏第一行 → 左栏第二行”，即使每个字都识别正确，后面的翻译结果也很难正常阅读。

表格也是一样。真正容易出问题的往往不是单元格里的某一个词，而是列与列之间的对应关系。一旦表头、数字和说明错列，单纯检查译文通不通顺并不能发现问题。

扫描型 PDF：先做 OCR，但不要做完就直接翻整份

如果只能选中整页图片，基本可以按扫描件处理。我的顺序是先 OCR，让页面产生可搜索文字，然后重新做一次“选择、复制、Ctrl+F”测试。

OCR 做完不等于文件已经可靠。低清晰度、页面倾斜、印章遮挡、手写批注、小字号脚注和复杂公式都容易识别错。

我通常优先抽查下面几类内容：

• 人名：特别是中文姓名、少见姓氏和英文姓名；
• 数字：金额、日期、百分比、小数点和编号；
• 相似字符：0 与 O、1 与 l、5 与 S；
• 连字符：换行处被拆开的英文单词；
• 表格：数字有没有跑到相邻列；
• 页眉页脚：有没有被错误插入正文。

例如 OCR 把原文里的“10.5%”识别成“105%”，翻译系统通常不会知道这个数字错了，而会把错误数字继续保留下去。所以 OCR 后最值得查的并不是普通句子，而是那些一旦识别错就会改变意思的数据。

两页测试文件怎么选？不要拿封面测试

遇到几十页甚至上百页的 PDF，我更习惯先做一个两页样本，而不是直接把整份文件丢进去。

第一页选普通正文。它用来确认段落顺序、标点、标题和基础翻译是否正常。

第二页专门选整份文件里最复杂的一页。有表格就选表格，有双栏就选双栏，有脚注或公式就挑这些元素最多的那页。

如果连最复杂的页面都能保持基本可读，剩下的纯文字页通常就不用太担心。反过来，如果测试页已经出现左右栏交叉、表格错列或大量漏字，我就不会继续整份处理。

这几类 PDF，我不会直接上传

技术上能够上传，并不代表文件就适合直接交给在线服务处理。下面几种情况，我会先处理文件本身：

• 包含完整身份证号、电话号码、客户名单等个人资料；
• 未公开的商业合同、报价单和内部财务资料；
• 自己无权处理或无权向第三方服务提交的文件；
• 扫描严重模糊、缺页、倒置或边缘被裁掉的文件；
• 必须严格保持法律版式的正式文件；
• 金额、技术参数、医学或法律用词不允许出现机器识别误差的资料。

如果文件确实需要在线处理，我会先确认自己有权处理，再根据实际情况遮盖不需要参与翻译的姓名、证件号码、联系方式等字段。

合同、论文数据、报价、技术参数这类内容，我也不会直接把机器译文当最终稿。机器翻译可以提高初稿效率，但最终责任仍然需要人工复核。

翻译完成后，我固定检查这 5 个地方

1. 先看总页数：确认输出文件没有少页或重复页面；
2. 检查三个位置：第一页、最复杂的一页、最后一页；
3. 单独看复杂元素：表格、公式、脚注、图片说明和页眉页脚；
4. 搜索关键内容：随机找 3 个数字、3 个专业术语或专有名词，对照原文；
5. 换环境打开：最好再用另一款阅读器或另一台设备打开一次，排除字体或本机环境造成的问题。

如果译文主要内容正常，但 Word 或导出文件出现段落、表格、图片位置变化，可以继续看 PDF 转 Word 错位的定位方法。文件本身体积很大时，可再参考 大 PDF 文件翻译的拆分与处理思路。

常见问题

问：PDF 明明可以复制文字，为什么翻译出来的顺序还是乱？
因为“有文字层”和“文字阅读顺序正确”是两件事。双栏论文、跨页表格和某些排版软件生成的 PDF，都可能出现文字能够选择，但提取顺序不正常的情况。先复制最复杂的一页到记事本，通常很快就能看出来。

问：Ctrl+F 搜不到文字，就一定是扫描件吗？
不一定，但这是一个很强的提示。有些文件可能存在损坏或不完整的文字层，所以我会结合“能不能单独选字”和“复制出来是否正常”一起判断，而不是只看一个结果。

问：扫描件做完 OCR 就能直接翻译吗？
不建议。至少抽查人名、金额、日期、百分比、连字符和表格。OCR 一旦把原文识别错，后面的翻译通常会把这个错误继续传下去。

问：有密码的 PDF 改成其他后缀可以解除限制吗？
不能。扩展名只是文件类型标识，改名字不会解除 PDF 本身的权限设置。应先向文件所有者取得授权和正确密码。

问：几十页 PDF 有必要每页都检查吗？
通常没必要。我会先查普通正文页和最复杂页面，处理完成后再检查第一页、复杂页和最后一页，并搜索几个数字和专有名词。如果这些位置已经出现明显错误，再扩大检查范围。

最后一分钟：满足这 5 项，我才会整份上传

• 文字能正常选择；
• 复制到记事本没有乱码和明显顺序错误；
• Ctrl+F 能搜索到页面中的实际文字；
• 没有未解决的密码或权限限制；
• 最复杂的页面已经做过样本测试。

如果其中一项拿不准，我宁愿先花一分钟做两页测试，也不会直接让几十页文件全部处理。真正浪费时间的不是前面的检查，而是整份文件完成后才发现双栏顺序、表格或 OCR 从第一页就已经错了。

参考来源

• 有道翻译文档翻译入口
• 有道翻译文档服务说明