你的扫描件转出来全是乱码，问题可能出在语言设置！英文 OCR 把乌克兰语发票读成乱码？这套管线把表格和西里尔字母全救回来了

大白话有位开发者做了个工具，专门把扫描版 PDF、图片、Word、Excel 等文件转成 Markdown，重点照顾乌克兰语这类非英文文档。它先用 Tesseract 的乌克兰语模型做 OCR，再把带网格线的表格还原成真正的表格，还能顺手切成适合塞进向量库的小块。作者很实在地列了短板：没有边框的表格、拍歪的手机照片，照样会翻车。

对你意味着做多语言文档、票据、合同数字化的团队可以少踩一个坑；也提醒大家，OCR 语言别贪多，多勾一个就多一种猜错的可能。