用途：将建筑项目中的非结构化 PDF（规格书、物料清单 BOM、进度表、报告）转换为可分析、可集成的结构化格式，遵循 ETL 模式：Extract 加载 PDF、Transform 解析结构化、Load 保存为 CSV/Excel/JSON。
主要能力：用 pdfplumber 提取全部表格、保留版式提取文本、按坐标区域提取指定表格；对扫描件用 pdf2image 转图后经 pytesseract OCR 提取文本或表格；针对建筑场景提供 BOM、项目进度、规格书章节的解析函数；支持批量处理文件夹内多个 PDF 并合并输出；提供提取后数据清洗（去空行、去空格、数值转换）与多格式导出（xlsx、csv、json、jsonl）。
安装：pip install pdfplumber pandas openpyxl；扫描件另需 pip install pytesseract pdf2image 并安装 Tesseract OCR；高级 PDF 操作用 pip install pypdf。
使用方式：核心调用如 page.extract_table()、page.extract_text()、pytesseract.image_to_string(image)、convert_from_path(pdf)。表格未识别时可调整 page.extract_table(table_settings={})，列对齐异常可用 page.to_image().draw_rects() 可视化调试，OCR 质量差可提高 DPI、预处理图像并选对语言。
适用场景：建筑规格书、BOM、进度表、报告等 PDF 的批量结构化提取与后续分析集成。
限制：资料未提供具体收费、平台支持范围与效果指标；OCR 与表格识别质量受文档清晰度影响，需人工校验；内存受限时应逐页处理。