【锦图简历】程序对简历扫描件的识别流程

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：

1. 优先 Poppler pdftotext（结构化参数：行阈值、单元格分隔）
2. 回退 pdf-parse 多种提取模式
3. 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）

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
async function parseResumeDocument(buffer, fileName) {
  onStep("extract");
  const textLayer = await tryExtractText(buffer);
  if (hasEnoughText(textLayer)) {
    onStep("normalize");
    return format(textLayer);
  }

  onStep("ocr");
  const ocrText = await ocrPdfPages(buffer); // poppler render + tesseract
  onStep("normalize");
  return format(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。