Google Cloud Vision DOCUMENT_TEXT_DETECTION是否始终仅返回单页结果？

核心原因 #

DOCUMENT_TEXT_DETECTION接口的设计逻辑是针对单张图像或单页内容进行文本识别，它不会自动识别并拆分一张图像中包含的多页视觉内容——不管你输入的图片里有几页纸，只要是一个独立的图像文件，API就会把整个画面视为一个"page"来处理。

不同场景的问题分析与解决办法 #

• 多页手写纸/书籍照片：这类场景是把多页实体内容拍进了同一张图片，Vision API无法自动识别画面中的分页边界。解决方式是先通过图像分割工具（比如OpenCV）将单张图里的每一页拆分成独立的图像文件，再分别调用DOCUMENT_TEXT_DETECTION；或者将拆分后的单页图片合并成多页PDF，使用PDF_TEXT_DETECTION接口一次性处理，API会按PDF的实际页码返回多个page对象。
• 多页PDF渲染图：如果你是把多页PDF渲染成了一张长图再上传，API同样会把这张长图当成单页内容。正确的做法是直接上传原始PDF文件（使用Vision API的异步批量处理模式），PDF_TEXT_DETECTION原生支持多页PDF的识别，会自动按PDF的每页生成对应的page结果。

补充说明 #

Vision API中的"page"概念，对应的是输入的单个图像文件，或是PDF文件中的单页，而非视觉上的分页区域。只要输入是一个图像文件，无论内容包含多少页，都会被统一识别为一个page。

内容的提问来源于stack exchange，提问作者J. Kin