PyMuPDF 代理就绪文档提取

它解决什么问题

让 Agent 直接消费 PDF 通常意味着两步妥协：要么把整份文档塞进上下文，要么用粗糙的文本抽取把版式、表格和图片一起丢掉。结果是模型读到的只是“字”，而不是文档真正承载的结构——表格变成错行字符串，图示彻底消失，多栏排版被读成顺序错乱的段落。这个技能把准备工作固化下来：在文档进入 Agent 的检索或审阅流程之前，先用 PyMuPDF 把它拆成可机读的组件。

核心能力与处理路径

• 文本与版式元数据：同时保留正文文本及其在页面上的位置、字体、字号等信息，便于后续按阅读顺序重组或做版面级判断。
• 表格提取：把表格识别为结构化对象，而不是让模型对着一串对齐的空格自行猜测行列关系。
• 图片抽取：将内嵌图片导出为独立文件，供多模态模型或图像索引消费。
• 面向 LLM 的输出：借助 pymupdf4llm 生成 LLM 就绪的 Markdown，或输出 JSON 供程序化消费。
• 扫描件兜底：对扫描页可走 Tesseract OCR 路径，把图像型页面转成可检索文本。

典型流程是：输入 PDF 或受支持文档 → 选择抽取目标（文本 / 表格 / 图片 / Markdown / JSON）→ 输出结构化产物 → 交给 Agent 入库或审阅。

适用边界与注意点

• 运行环境要求 Python 3.10+ 与 PyMuPDF 本体；OCR 和 LLM 版 Markdown 属于可选依赖，按需引入。
• OCR 仅是兜底方案，扫描件的识别质量取决于原始分辨率与 Tesseract 语言包，不要假设它能无损还原复杂版面。
• pymupdf-fonts 负责文本输出的扩展字体集，缺少它时部分字形回退可能会导致输出异常。
• 该技能负责抽取与格式化，不负责文档理解、问答或向量化——后者仍需接在它之后单独完成。
• 复杂表格（跨页合并、嵌套单元格）仍是 PDF 抽取的常见失败点，重要文档建议抽样核对抽取结果。