我們日常所接觸的文檔中，經常能碰到多語言混合的文檔。比如論文試卷、財報研報、跨國票據都含有多種語言和文字。要將文檔中的內容識別并提取務必需要使用到OCR技術，而傳統的OCR工具在處理這類型文檔的時候有局限性。

早期的 OCR 系統識別精度有限，主要針對特定印刷字體。隨著技術進步，特別是深度學習在計算機視覺領域的廣泛應用，OCR 的精度和速度得到了質的飛躍，不僅能更準確地識別各種印刷體，對手寫體、多種語言文字的識別能力也大大增強，為后續的信息處理奠定了基礎。

然而，在如今的 AI 時代，僅僅將圖像變成文本字符（OCR 的輸出）是遠遠不夠的。一份文檔的價值不僅在于其中的文字，更在于文字所代表的具體信息及其上下文關系。例如，發票上的“金額”數字旁通常會有“￥”或其他貨幣標識，亦或者一段中文句式中含有幾個英文單詞的解釋。

這正是文檔解析技術（PDF解析）所解決的問題。它在 OCR 提供的原始文本基礎上，進一步運用布局分析（理解文檔的物理結構，如段落、表格、標題位置）和語義理解（識別關鍵實體如姓名、日期、金額、條款，理解它們之間的關系），獲取完整信息片段，并將其高度結構化地輸出為 Markdown、JSON 或直接導入數據庫的標準格式。

不同于傳統OCR功能，文檔解析能夠進一步運用布局分析（理解文檔的物理結構，如段落、表格、標題位置）和語義理解（識別關鍵實體如姓名、日期、金額、條款，理解它們之間的關系），獲取完整信息片段，并將其高度結構化地輸出為 Markdown、JSON 或直接導入數據庫的標準格式。

我們可以通過一個案例簡單理解一下：

關鍵差別非常清晰：

• OCR：輸入圖像 -> 輸出原始文本流（包含所有識別的文字，但無結構、無語義標注）。
• 文檔解析：輸入文檔 (圖像/PDF) -> 輸出結構化數據對象（精準提取并分類的關鍵信息，如 {"amount_table": "196.00", "number_table": "2.0000", "project_name_table": "西他沙星片"})。

因此，文檔解析是 OCR 能力的延伸和升級，從單純的“識字”到真正的“理解文檔”，文檔解析為企業的自動化流程和數據分析提供了可直接使用的“原料”。