高效 OCR 与文档

解决什么问题

把 PDF 变成可处理的纯文本，看起来简单，实际场景里坑不少：论文 PDF 的双栏排版会让按行提取的代码把左右栏文字交错拼接；扫描件里根本没有文本层，pdftotext 只能输出空白；发票、表格类文档则需要先做版面分析再识别。这个技能把文档抽取拆成两条路线，分别应对原生电子 PDF 与扫描图像 PDF，让后续的检索、摘要、归档流程拿到干净、保序的文本。

核心能力与工作流程

技能依赖两个底层引擎，按文档类型选择：

• pymupdf：处理带文本层的 PDF。直接解析文档内部的文字坐标与阅读顺序，速度快、不依赖外部服务，适合论文、电子书、报告等排版规整的文件。
• marker-pdf：面向复杂版面的转换管线，能识别双栏、公式、表格结构，输出接近 Markdown 的结果，适合需要保结构的场景。
• OCR 兜底：检测到扫描件（无文本层或文字覆盖率过低）时，切换到 OCR 路线还原字符。

典型流程是：先探测 PDF 是否包含可用文本层 → 有则走 pymupdf 快速抽取并校验输出 → 无则交给 marker-pdf 或 OCR 管线处理 → 输出整理后的文本供下游使用。

适用边界与注意点

• 手写内容识别不稳定。印刷体 OCR 已经相当成熟，但潦草手写、压痕过浅的纸张仍容易出错，关键文档建议人工复核。
• 复杂表格不保证完全还原。marker-pdf 能识别表格结构，但跨页表格、合并单元格的语义可能丢失，适合做草稿级提取而非最终交付。
• 公式场景优先用 marker-pdf。纯文本抽取会把公式打散成乱码片段，需要公式内容时应选择支持数学结构的转换路线。
• 隐私与合规。文档内容会被本地引擎处理，涉及敏感文件时确认运行环境满足数据要求。

技能基于 MIT 协议，支持 Linux、macOS、Windows，主要面向研究类文档（如 Arxiv 论文）与日常办公文档的文本抽取需求。