必须用火山引擎预检工具验证文档文字提取效果，扫描件、加密pdf、带水印pdf易失败；修复需ocr转可编辑pdf、打印绕过权限、去水印后ocr；最后用记事本和notepad++校验编码。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
你需要在将文档上传到火山引擎知识源前确认它是否能被正确提取文字，避免导入后因格式问题导致全文无法检索或问答失效。PDF扫描件、加密PDF、带复杂水印的图片型文档最容易踩坑，这类文件上传后系统会显示“已上传”但实际文本提取结果为空。
快速验证文档能否被提取文字
打开任意浏览器，访问 https://www.volcengine.com/docs/6452/178384 → 下拉至「知识库文档预检工具」区域 → 点击「立即试用」按钮 → 将待测文档拖入上传框 → 等待3～8秒 → 查看右侧返回的「提取文本预览」区域是否有可读内容。
如果预览区显示“未提取到有效文本”或仅出现乱码、空格、单个符号（如“”），说明该文档当前不满足火山引擎文本提取要求，必须处理后再导入。
三类常见不可读文档的修复方法
方法一：扫描型PDF转OCR可编辑PDF
使用Adobe Acrobat Pro或福昕PDF编辑器 → 打开扫描件 → 选择「工具」→「增强扫描」→ 勾选「识别文本（OCR）」→ 设置语言为「简体中文」→ 点击「识别」→ 导出为新PDF。注意：【必须导出为“文本可选”的PDF，不能仅保存为“图像PDF”】，否则火山引擎仍无法提取。
方法二：加密PDF解除限制
若文档右下角显示“禁止复制”图标，说明存在复制权限限制。用PDF阅读器（如SumatraPDF）打开 → 按Ctrl+P调出打印界面 → 目标打印机选「Microsoft Print to PDF」→ 点击打印 → 生成的新PDF即自动解除复制限制。此操作不破解密码，仅绕过权限标记，符合合规要求。
方法三：含大面积水印/底纹的图文混排PDF
先用WPS或Acrobat打开 → 「开始」选项卡 → 「删除背景」→ 手动框选水印区域并删除 → 再执行OCR识别。若水印为半透明叠加图层，需先用「导出为图片」→ 用Photoshop批量去水印（阈值调至180～200）→ 再合成PDF并OCR。这一步跳过会导致提取文本中夹杂大量“■□◆●”等干扰符号，影响后续向量化质量。
导入前最后一道人工校验
第一步：用系统自带的「记事本」打开该文档（右键→打开方式→记事本）
第二步：观察是否弹出“无法在当前代码页中显示该文件”提示
第三步：若弹出提示，说明文档含非UTF-8编码字符或二进制残留，此时必须用Notepad++重新以UTF-8无BOM格式另存
第四步：保存后再次用记事本打开，确认全文可正常显示汉字与标点
第五步：将该UTF-8文本文件直接拖入火山引擎知识源上传页 → 选择「纯文本导入」模式上传
