VibeKnow_PDF解析乱码与缺字问题排查方法

VibeKnow解析PDF中文乱码主因是字体未嵌入或OCR缺失，需先用Acrobat检查字体属性，再依情况启用OCR、安装中文字体（如Noto Sans CJK SC）或导出TXT重建嵌入字体PDF。

用VibeKnow解析PDF时出现中文乱码、文字缺失或显示为方框，说明文本流未被正确映射到Unicode字符，常见于扫描件未OCR、源PDF字体未嵌入、或VibeKnow运行环境缺少对应中文字体文件。

确认乱码类型与源头

首先要打开该PDF文件，用Adobe Acrobat Reader DC（不是浏览器哦）打开→点击「文件」→「属性」→切换到「字体」选项卡。倘若列表中

这一步跳过会误判问题归属——很多人直接重装VibeKnow却无效，就是因为没先排除PDF自身字体缺陷。

强制启用OCR处理扫描件PDF

VibeKnow默认对可选中文文本的PDF跳过OCR，但部分PDF虽含文本层，实际是低精度OCR残留或编码错乱，需人工触发高质量识别。

方法一：在VibeKnow Web控制台上传PDF后，不点「开始解析」，先勾选「启用高精度OCR」开关→再选择语言为「简体中文」→点击解析。

方法二：若使用API调用，在请求体中显式传入{"ocr_enabled": true, "ocr_lang": "zh"}，否则VibeKnow可能沿用缓存的错误文本层。

注意：OCR开启后解析耗时增加3～8秒/页，但对扫描件或疑似“伪文本PDF”，这是唯一能绕过字体映射失败的路径。

修复VibeKnow运行环境字体缺失

第一步：确认VibeKnow部署所在服务器或容器是否安装了基础中文字体。执行命令：fc-list :lang=zh（Linux/macOS）或检查C:WindowsFonts目录（Windows）是否存在simhei.ttf、msyh.ttc或NotoSansCJKsc-Regular.otf。

第二步：若没有找到相应字体，就去下载Noto Sans CJK SC Regular（这可是Google开源的，无需版权哦）。下载完后解压，然后把其中的NotoSansCJKsc-Regular.otf文件，复制到VibeKnow服务所用JVM的jre/lib/fonts/目录下（要是Ja va部署的话），或者Docker镜像的/usr/share/fonts/opentype/noto/路径（如果是容器部署），最后重启VibeKnow服务就大功告成啦。

第三步：验证字体注册成功。在VibeKnow后台日志中搜索关键字font loaded: NotoSansCJKsc，出现即表示注入生效。未出现说明路径错误或权限不足，

导出纯文本并重建PDF规避渲染缺陷

当以上步骤仍无法恢复结构化输出时，放弃直接解析，改走内容还原路径：

① 在VibeKnow控制台中，对目标PDF执行「导出为TXT」操作，获取原始提取文本；

② 将TXT内容粘贴至Word文档，手动校对关键字段（尤其数字、专有名词）；

③ Word中设置中文字体（如“微软雅黑”）→全选→「布局」→「文字方向」确保为横排→另存为PDF，勾选「嵌入所有字体」；

④ 将新生成的PDF重新导入VibeKnow——此时因字体已嵌入且编码明确，解析成功率接近100%。