一份论文 PDF,能被拆成哪些可复用的结构化产物?

论文、报告和书籍经常以 PDF 交付。它的优势是跨设备展示稳定，但当我们需要继续编辑、检索、引用、构建知识库或进入出版系统时，PDF 页面不一定能直接提供清晰的结构。

https://scholar.aihubs.online

我们真正需要恢复的是：

哪些内容属于标题和章节；

多栏文本应该按照什么顺序阅读；

哪段文字对应哪张图、表或公式；

引用在哪里结束，参考文献从哪里开始；

哪些页面依赖 OCR；

哪些结构需要人工修复。

预检可以先观察：

PDF 是否有文本层；

扫描页大约占多少；

初步识别到多少章节、图片、表格和参考文献；

是否出现结构警告；

当前建议使用哪种模式；

当前部署是否提供增强能力；

预计处理路径和报价。

它的作用是帮助选择方案，而不是提前证明转换一定正确。

自动模式

适合不确定文件复杂度时，由预检结果决定有效路径。

标准模式

更适合文本层清晰、阅读顺序和版面相对常规的 PDF。

增强模式

在当前部署能力可用时，可以把存在扫描、公式或复杂结构风险的页面交给增强路径。

模式名称不代表质量等级。增强模式也不能消除低清扫描、罕见符号和复杂跨页表格的全部错误。

Markdown：继续阅读和编辑

适合全文检索、笔记、内容迁移和轻量编辑。它重建内容结构，不追求复刻原 PDF 的每一个视觉位置。

Canonical JSON：程序和知识库复用

适合检索、结构化存储、引用定位、数据管道和下游系统。使用之前要根据字段契约做校验，不能把抽取文本自动视为真实事实。

质量报告：决定先检查哪里

质量报告可以汇总文本覆盖、阅读顺序、表格、图注、引用和结构警告，帮助找到风险页。它是验收导航，不是准确性认证。

资源 ZIP：独立获取图表资源

便于后续排版、审阅或重新制作，但仍需核对图号、图注、顺序、清晰度和使用授权。

Canonical XML：结构交换

适合只接受 XML 的下游系统，与 Canonical JSON 的逻辑结构对应。

JATS XML：进入学术出版结构

适合进一步对接期刊文章结构或出版流程，但必须使用目标系统的规则、DTD 或 Schema 继续验证。

标注 PDF：视觉验收

在源页面快照上显示识别到的标题、正文、表格、图片和公式区域，方便发现阅读顺序或边界错误。

结构化 HTML：浏览器审阅

适合浏览器查看和下游导入，当前需要显式选择。

以下页面尤其需要人工检查：

扫描件和拍照件；

双栏或多栏排版；

复杂公式、矩阵和特殊符号；

合并单元格和跨页表格；

图文环绕和多级图注；

页眉页脚与脚注密集页面；

参考文献和附录边界；

字体嵌入异常或文字编码损坏的文件。

标题和章节层级是否正确？
双栏内容的阅读顺序是否正确？
公式、上下标和编号是否一致？
表格行列、表头和合并单元格是否保留？
图片、图注与正文引用是否对应？
页眉、页脚和页码是否混入正文？
文内引用与参考文献是否正确分开？
OCR 页面是否存在错字、缺字和断行？
JATS 或 XML 是否通过目标下游校验？

如果大部分页面已经产生可用结构，只有少数页面失败，可以先：

查看失败页和原因。
判断是否涉及方法、结果、表格或参考文献等核心内容。
下载当前可用产物和质量报告。
在实际入口可用时，对失败页进行定向重试。
重试后再次验收整体结构。

失败页重试不保证一定恢复。源文件质量或复杂版面可能仍需人工处理。

上传 PDF  → 预检文件  → 选择模式与产物  → 确认当前报价  → 跟踪任务  → 下载产物  → 质量报告导航  → 人工验收与修订

最后一步不能省略。机器可读不等于内容可信，结构完整也不等于适合目标出版社。

可以先查看 ScholarAI 的PDF 专题页，了解结构化转换的方向和典型产物，再根据自己的下游用途列出需要的格式。

当前主站直达转换路由仍需在正式发布前确认，因此不引导用户点击不可用入口。待实际入口、当前模式、报价和保留期限由产品负责人确认后，再补充体验链接。

转换结果必须人工验收，不构成内容准确、出版合规或无障碍合规认证。

先写清转换后的用途：继续编辑、程序处理、图表复用、出版结构还是视觉验收。再查看 PDF 专题页了解产物类型，实际入口确认后按预检结果选择模式。
阅读原文：还可以阅读当前使用指南，确认任务流程和能力边界后，再按需要决定是否体验。