一句话定义：文本层回退（Text Layer Fallback）是文档解析流水线里的一条调度规则：先从 PDF 内嵌的文字层直接提取文本，取不到或者质量不合格，才退回（fallback）到 OCR 识别。
PDF 为什么需要这条规则
PDF 文件记录的是页面排版后的结果：在某个坐标上“画一个字形”，而不记录“这里是什么字”。文字信息可能存在两种地方：一种叫文本层（text layer），页面里真实存着字符编码，复制粘贴就能得到文字；另一种是纯图像，比如扫描件、手机拍照转成的 PDF、导出的图片型 PDF，页面上的字对机器来说只是像素，没有可供提取的字符。
打个比方：文本层是图书馆的电子目录，检索就能拿到；OCR（Optical Character Recognition，光学字符识别）则是把一本影印书从头一个字一个字重新打一遍。明明有电子目录还去手打，既慢又容易打错。
为什么“打错”这件事很关键
OCR 是概率模型，它在图像上认字形，遇到数字尤其容易出错：小数点可能被漏掉，0 和 O、1 和 l、5 和 S 会互相混淆，千分位逗号也可能消失。财务表格里一行 1,000.00 被读成 1OOO.OO，下游的金额计算就全错了。而文本层提取是原样拷贝，基本无损。
反过来，文本层也不是无条件可信。有些扫描件被第三方工具做过 OCR 后，会把识别结果当作文本层嵌进 PDF，于是文本层本身就带着错误；编码映射出问题的时候，提取出来还会是乱码。所以工程上通常不会“有文本层就用”，而是先做一次质量检查：抽取文本、计算字符密度、统计可打印字符比例、看是否符合页面语言，达标就走文本层，否则回退。
| 文本层提取 | OCR | |
|---|---|---|
| 输入 | PDF 内嵌的字符对象 | 页面渲染出的图像 |
| 速度 | 快，几乎零成本 | 慢，逐页耗时 |
| 数字与符号 | 基本无损 | 易错，尤其 0/O、1/l、小数点 |
| 典型适用 | 电子生成的 PDF | 扫描件、拍照件、图片型 PDF |
和相邻概念的区别
OCR 是“把图变成字”的能力；文本层回退则是“决定要不要动用这项能力”的判断逻辑。版面分析（layout analysis）负责判断哪块是标题、段落、表格，它作用于拿到文本之后，和文本层回退不是一回事。文档解析（document parsing）是涵盖以上全部环节的总称。
对从业者的实际意义
做 RAG、文档问答、票据与合同处理，第一步往往不该是 OCR，而应该是判断。默认全量 OCR 是最常见的“性能与准确率双输”做法：电子版 PDF 白白花掉几倍时间，还把本来干净的数字读脏。建议把这条规则写成显式的质量检查与回退分支，并在日志里记下每页走了哪条路径，出错时能立刻定位。具体阈值与参数以各解析工具的官方文档为准。
对普通人的实际意义
用扫描类 App 导出 PDF 时，尽量选择带文字识别的那一档，别人拿到后能直接搜索、复制、被下游工具正确读取；反过来，纯图片 PDF 会让所有工具都退回“看图猜字”，慢且不可靠。