关键在于先OCR识别再结构化处理：用福昕或Acrobat将扫描PDF转为带文字层的可搜索PDF/Word；人工或Python清洗乱码、页眉页脚并规范标题层级；确保格式为PDF/TXT/DOCX/MD、≤50MB、UTF-8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☜☜☜
把扫描版PDF整理成可检索、可问答的知识库资料，关键在于让机器“看懂”图片里的文字和结构。火山引擎不直接OCR扫描件，必须先转成带文字层的PDF或纯文本，否则知识引擎无法解析内容。
第一步：用OCR工具把扫描PDF转成可编辑文本
扫描PDF本质是图片集合，火山引擎知识引擎只处理文本语义，不识别图像。必须先用OCR工具提取文字并保留段落、标题、列表等结构信息。
推荐使用「福昕PDF编辑器」或「Adobe Acrobat Pro」的OCR功能：打开扫描PDF→点击“扫描与OCR”→选择语言（中文必选“简体中文+英文”）→勾选“保留原始格式”→点击“识别文本”→导出为“可搜索PDF”或“Word文档”。
这一步不能跳过，也不能用手机拍照APP自带的“PDF生成”功能——它多数只做图像压缩，不执行真正OCR，导出后仍无文字层，上传到火山引擎会变成空白知识片段。
第二步：清洗与结构化整理文本内容
OCR结果常含乱码、错行、页眉页脚、无关水印、表格错位。直接入库会导致召回率暴跌、问答胡言乱语。
方法一：人工精修重点章节
对核心制度、操作流程、术语定义等高价值段落，逐句核对OCR输出，删掉“O”误识为“0”、“l”误识为“1”等典型错误；将“第一章总则”“第二条适用范围”这类标题统一加“#”前缀，方便后续切片识别层级。
方法二：用Python脚本批量去噪（适合百页以上文档）
安装pdfplumber + re模块→读取OCR后的PDF→用正则过滤页码（^\d+$）、删除重复页眉（如“兴业证券·保密资料”）、合并被截断的长段落→保存为UTF-8编码的.txt文件。注意：不要用word2vec类工具做二次处理，会破坏原始语义边界。
【必须确保所有段落以换行符分隔，且无空行夹在逻辑段中】——火山引擎切片逻辑默认按空行分割语义单元，两个空行之间若只有3个字，会被单独建一个无效向量块。
第三步：上传前检查三项硬指标
① 文件格式限定为 .pdf（需含文字层）、.txt、.docx、.md 四种之一；其他如 .jpg/.png/.epub 不支持接入。
② 单文件大小 ≤ 50MB；超限需拆分为“XX制度_上册.pdf”“XX制度_下册.pdf”，不可用WinRAR分卷压缩。
③ 中文内容必须用UTF-8编码保存，特别是从微信公众号复制粘贴再保存的txt，容易默认存为GBK，上传后出现大量“”字符，导致整篇失效。
完成这三项检查后，在火山引擎控制台→企业知识引擎→知识库管理→点击“新增知识源”→选择本地文件→上传即可。系统将在3–8分钟内自动完成解析、切片、向量化，无需手动触发索引构建。
