PDF 阅读助手

解决的问题

PDF 内容分析常卡在三类场景：纯文本 PDF 能快速读取，但扫描版、复杂表格、图片注记需要额外处理；单篇研报、论文或合同需要目录、摘要、关键词和表格汇总；多篇文档需要横向比较，而不是一篇篇人工复制。PDF 阅读助手 面向这些工程侧读取任务，把 PDF 提取、结构化分析和多文档对比组织成可复用流程。

工作方式

• 文本提取：优先提取可读文本，并通过前 5 页文字量判断是否像扫描版；必要时切换到 OCR，顺序尝试 pytesseract 与 easyocr。
• 结构化分析：输出目录、头部/中部/尾部摘要、Top 15 关键词、Markdown 表格、图片注记，以及总字数、中文字数、英文单词数和数字出现次数。
• 多文档对比：对多个 PDF 做快速摘要，再比较共同关键词和差异要点。
• 批量处理：扫描目录中的 .pdf 文件，按每份少量页生成文件名、页数、字数、Top5 关键词和表格数量汇总表。
• 大文件策略：超过 50 页时先取前 5 页和目录，再按用户关注章节按页码范围精读，避免一次性加载过多上下文。

边界与注意

• 加密 PDF 需要提供密码才能读取。
• 表格提取和 OCR 属于可选增强，缺少依赖时会跳过并注明。
• 中文扫描版识别需要系统具备简体中文字识别能力。
• 提取结果会写入临时文件并在用后清理。