OCR文档提取

它解决什么问题

PDF 扫描件或图像型 PDF 没有可选文字层，直接运行 pdftotext 通常只能得到空字符串或乱码。人工录入成本高，而通用 OCR 工具在合同、票据、论文等复杂版面上容易串行、丢段落或破坏表格结构。

技能如何工作

• 优先使用 pymupdf 打开 PDF，对存在文本层的页面直接提取 page.get_text()。
• 对扫描页或图像页，调用 marker-pdf 执行版面感知 OCR，尽量保留标题、段落和列表层级。
• 最终把提取结果整理为 Markdown 或纯文本，便于后续解析、检索或入库。

适用边界与注意点

• 加密 PDF 需要先解除权限限制，否则无法读取内容。
• 手写体、低分辨率扫描件的识别准确率会明显下降。
• 复杂表格和数学公式的还原能力有限，关键文档建议人工校对。