ChatGPT 读 PDF 漏页、漏表？按这个顺序检查

为什么 PDF 看起来有字，却提取不到？

PDF 页面可以同时包含真正的文字、图片和矢量图形。扫描件里的字通常只是图片像素；OCR 识别后可以增加文字层。文字层也可能与可见页面不一致，例如 OCR 把 0 识别成 O、行列顺序错乱，或者遗漏脚注。

能复制文字，只说明对应位置存在可提取内容；仍要核对正文顺序和关键字符。不能复制，也不一定全是扫描件，还要检查字体编码、文档权限和文件本身。检查完整的一页比只看 PDF 文件名更有用。

两份三页 PDF：相同内容，不同结构

AIXiamo（AI夏末）制作了可重复生成的合成样例：text-layer.pdf 保留可提取文字；image-only.pdf 将同一份 PDF 渲染后作为整页图片嵌入，没有 OCR 文字层。所有文字与金额都是演示数据，不含客户资料。

两份文件都只有 3 页。样例的用途是检查文字提取路径和这次回答的覆盖情况，不是某个模型的成绩报告；本文没有把样例上传给 ChatGPT 进行实时测试。

样例应读到什么？用固定答案对照

物理第 1 页的页面编号是 A-01，标记为 PDF-CHECK-P1。物理第 2 页编号 A-02，Table 1 有 A、B、C 三行，币种是 CNY，金额依次为 12.30、45.60、7.89，合计 65.79。物理第 3 页编号 A-03，标记 PDF-CHECK-P3，脚注说明金额不含税。

读到合计还不够：如果没有表头、币种、三行金额和末页脚注，就不能据此宣布全文核验完成。image-only.pdf 的本地纯文字提取结果应为空；单独上传它的图片页，是另一条输入路径。

• 总物理页数：3；印刷页码：A-01、A-02、A-03。
• Table 1：3 个数据行；币种 CNY；合计 65.79。
• 末页脚注：Amounts exclude tax. Table 1 has 3 data rows.
• 未读清时报告具体页码和字段，不补猜内容。

可复制：按页核验 PDF 的提示词

将页码和字段换成你的文档。让输出保持可定位，再根据缺口补图片、OCR 或分段文件。

请先核验这份 PDF，不要马上总结。
1. 区分 PDF 物理页码与页面印刷页码。
2. 按物理页码列出你能核对的标题、
   正文短句、表格或脚注，并注明定位。
3. 重点检查第 1 页标题、第 2 页 Table 1、
   第 3 页脚注。表格须保留表头、单位、
   每行金额和合计。
4. 无法看清或没有找到的内容单独列出，
   不按主题猜测补齐，不把缺失金额填成 0。
5. 给出已核对页码和未完成项；
   不用“已读全文”代替逐页证据。
我会对照原文件验收，再让你总结。

给开发者：本地检查页数、文字层和样例

check_pdf.py 用 pypdf 在本地读取物理页数、逐页提取文字，并输出字符数与简短预览；不联网、不调用模型。字符数为 0 是该提取器没有提取到文字的结果，不能单独断定这一页为空白，也不能替代 OCR 或视觉检查。

下载两份 PDF、脚本、测试和预期值到同一目录。环境安装 pypdf 后运行下面的命令。测试检查样例的 3 页结构、文字标记、无文字层版本以及金额合计；生成脚本另需 reportlab 与 Poppler。

python3 -m pip install pypdf
python3 check_pdf.py text-layer.pdf
python3 check_pdf.py image-only.pdf
python3 -m unittest test_check_pdf.py

上传失败与读取遗漏，是两类问题

截至核对日期，OpenAI 文件说明列出：ChatGPT 文档单文件最大 512 MB，文本与文档还受每文件 200 万 token 限制，单张图片最大 20 MB。上传频率、存储和项目文件数量也有各自限制；达到大小限制不等于能准确回答整份文档。

看到 upload limit reached 时，先确认账号、上传额度与存储，并检查官方状态页；失败尝试也可能计入频率限制。已经上传但漏内容时，按前面的文字层、图片入口和逐页验收流程处理。记录错误截图、发生时间与时区，便于向官方支持定位。

ChatGPT 与 API 的 PDF 输入不要混用规则

OpenAI API 的 input_file 有自己的文件输入规则；官方开发文档说明，支持视觉的模型处理 PDF 时会使用提取文字和页面图片。这不能推导出所有 ChatGPT 套餐、知识库或项目入口都采用相同流程。

做应用接入时按 API 文档选择文件输入或检索；使用 ChatGPT 时按账号与上传入口排查。无论哪种路径，重要表格和引用都用原文件核对。