结论先行：扫描件 PDF 的解析靠“版面分析 + OCR”两段式本地推理完成，不依赖任何云端服务。私有化部署下，OCR 与版面模型都跑在本地 ONNX 运行时，数据不出域。
一、为什么扫描件是解析难点
扫描件本质是一张张图片，没有可选中的文字层。直接丢进只认文字层的解析器，得到的要么是空文本，要么是乱码。盖章合同、报销凭证、历史档案、政务红头文件的扫描批次在真实语料里占比不小，这类数据绕不开，只能正面处理。
正确做法是两段式：先做版面分析定位文字块，再用 OCR 把图像变成文字。两者缺一不可——只做 OCR 不做版面，字虽然认出来了，但顺序、层级、归属全乱；只做版面不做 OCR，拿到的是一堆带坐标的空框。两段串起来，扫描件才能变成可检索的文本。
实践中常见的绕路是直接把整页图片塞给通用多模态模型。这条路演示可行，批量跑不动：页数一多，耗时和费用都线性上涨，识别结果还难以结构化校验，解析完不知道对错。走版面加 OCR 的两段式，每一步都有中间产物可检查，出了问题能定位到具体环节，而不是对着一张最终文本猜。
二、双模型本地推理
DeepDoc 版面分析用 layout.onnx 与 tsr.onnx 两个模型在本地做 ONNX 推理：前者定位标题、段落、表格、图片等区域，后者做表格结构识别（TSR）。OCR 识别使用 PP-OCRv6，PDF 渲染走 PDFium。整套链路没有任何一步调用外部 API，满足金融、政务等数据不出域的硬要求。
本地推理不只是合规问题，也是成本与稳定性问题。批量入库几万页扫描件时，按页调用云端 OCR 会产生持续费用，还把数据可用性押在外部服务的可用性上。模型跑在本地 ONNX 运行时，吞吐随机器配置扩展，断网也能继续跑，私有化交付时的安全评审也少一轮。
三、保住三样东西
扫描件解析最怕“字识别对了、结构全丢了”。本地方案要同时保留：阅读顺序（哪段在前哪段在后）、坐标（文字块在页面什么位置）、表格 HTML 结构（含 rowspan / colspan 合并单元格还原）。三者齐全，下游切片才能正确理解版面语义。
| 保留项 | 作用 |
|---|---|
| 阅读顺序 | 避免段落前后颠倒 |
| 坐标 | 支撑版面还原与定位 |
| 表格 HTML 结构 | 合并单元格正确还原 |
再往后还有一道清理：扫描件普遍带页眉、页脚、页码和水印，清洗环节自动检测并去除，输出清洗报告留档可查。印章、手写批注这类内容如果涉敏，脱敏必须安排在切片与向量化之前完成——这一步跳过去，后面没有补救机会。
四、把解析质量量化
扫描件解析不能“凭感觉”。我们用 parse_quality 对结构、关系、内容三层打分并给出总体等级。实测中，一份 443 页的 OFD 版式文档完成解析全流程约 124 秒，三层解析质检拿到 0.924 分（结构层满分）。这份文档同时覆盖表格、多栏与图片混排，是扫描批次里典型的难度样本，这样的量化结果正是评测闭环的输入。
分数低不代表整批重跑，而是分诊依据：低分文档进入人工复核或调整参数重试，高分文档直接入库。把质量数字接进评测闭环后，每次更换模型、调整阈值都有前后对照，优化不再靠猜。
扫描件只是解析的一环。想了解扫描件之外的差异化处理，可看 老格式文档解析；想把识别结果接进可检索知识库，见 文档清洗 与 切片策略。
落地要点：OCR 路由与三层质检怎么配置
- 按需路由，不要全局 OCR：文本型 PDF 单份提取小于 200ms，只有扫描件才自动路由 OCR。全局 OCR 会让纯文本 PDF 的解析时间放大几十倍，还会把字体渲染噪点误识别成文字。
- 版面模型必须本地推理：layout.onnx + tsr.onnx 双 ONNX 模型在本地跑，阅读顺序、坐标与表格 HTML 结构（含 rowspan / colspan）都保留，不依赖云端，扫描件的合规边界才成立。
- OCR 引擎锁定版本：PP-OCRv6 的识别精度与召回在不同版本间差异明显，锁定版本才能让解析质量可复现、可回归。
- 用三层质检当验收门：一份 443 页的 OFD 版式文档完成解析全流程约 124 秒，三层解析质检 0.924 分、结构层满分。没有质检分数，你就无法判断这批扫描件能不能入库。
质检分数低时，优先排查版面分析而非 OCR 本身——多数「识别错」其实是阅读顺序错了。表格扫描件的还原细节见表格结构识别，老格式与扫描件混合语料的处理见老格式文档解析。
常见问题 FAQ
Q1：扫描件解析为什么不能只做 OCR？
OCR 只负责把图像变文字，不负责理解“哪段是标题、哪段属于同一张表”。必须先做版面分析定位区域，OCR 才有意义，否则文字顺序和结构都会乱，切片拿到的是碎片。
Q2：本地 ONNX 推理和云端 OCR 有什么区别？
本地推理的所有模型（layout.onnx、tsr.onnx、PP-OCRv6）都跑在你自己的机器上，不调用任何外部 API，数据不出域，满足金融政务的合规要求，也没有按页计费的云端成本。
Q3：表格的合并单元格怎么还原？
由 tsr.onnx 做表格结构识别，输出带 rowspan / colspan 的 HTML 结构，合并单元格能被正确还原，而不是被拆成一堆独立小格导致语义断裂。
Q4：扫描件解析质量怎么衡量？
用 parse_quality 对结构、关系、内容三层打分并给总体等级。实测 443 页 OFD 文档全流程约 124 秒，三层质检 0.924 分（结构层满分），低分文档自动进入复核分诊。
需要搭建企业级 RAG 知识库？了解丑梨AI
私有化部署的 RAG 数据工程基座：解析、清洗、脱敏、压缩、切片、治理、评测一站式流水线，全本地推理，数据不出域，单机可部署。