PDF 文字提取

解决的问题

从 PDF 中取文字看起来简单，但真实文档经常同时包含文字层和扫描图像。文字版页面可以直接读取，扫描页却只保存为图片；如果手动处理，需要逐页判断哪些内容缺失，再把扫描页导出为图片、调用 OCR、将识别结果插回原文。这个过程容易漏页、重复处理或打乱原有顺序。

工作方式

• 接收用户上传的 PDF，确认本地文件路径后执行 scripts/pdf_text_extractor.py。
• 脚本先提取所有页面可读取的文本，并自动检测扫描页面；对于扫描页，会渲染成图片以便后续识别。
• 如果返回结果包含 scanned_pages，逐页读取图片并转为 base64，再调用 scripts.ocr_tools.ocr_for_data_base64 做 OCR 识别。
• 将 OCR 结果替换原文占位符，合并成完整文本；按需求直接输出文字，或生成带文件来源、提取状态和正文结构的 Markdown 文件。

适用边界

• 建议处理小于 50MB 的 PDF，过大的文件可能造成响应缓慢。
• 不支持加密或受密码保护的 PDF。
• 表格、多栏、复杂版式可能无法完全保留层级。
• OCR 准确性受图片清晰度、字体、背景干扰影响；若缺少 API 密钥，不能自行搜索或编造识别内容。