工具
| 工具 | 定位 | 适用输入 |
|---|---|---|
| PyMuPDF | 快速文本与坐标提取 | 电子版 PDF |
| pdfplumber | 字符级与表格调试 | 电子版 PDF（含表格） |
| Marker | PDF → Markdown（含公式表格） | 论文、手册 |
| MinerU | 结构化解析与版面阅读顺序 | 中文论文、技术文档 |
| Docling | 多格式统一转换 | PDF/DOCX/PPTX/HTML 混合库 |
| Tesseract | OCR 引擎（需图像预处理） | 扫描图片 |
| PaddleOCR | 中文 OCR 与版面分析 | 中文扫描件、表格图片 |
选型时用真实坏样本（扫描件、复杂表格、双栏）做小规模对比测试，而不是只看演示文档。