【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asyncfunctionparseResumeDocument(buffer,fileName){onStep("extract");consttextLayer=awaittryExtractText(buffer);if(hasEnoughText(textLayer)){onStep("normalize");returnformat(textLayer);}onStep("ocr");constocrText=awaitocrPdfPages(buffer);// poppler render + tesseractonStep("normalize");returnformat(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。