用途：从 PDF 文件中提取内容，包括文本、表格、元数据与图像，适用于读取、总结和分析 PDF 的场景。
主要能力：使用 pdftotext（Poppler）提取文本，pdfplumber（Python）提取表格与结构化数据，pdfinfo 读取元数据与页数，pdfimages 列出或导出图像，pdffonts 检查字体，Tesseract 对扫描件做 OCR。附带 scripts/extract.py 提供 tables、ocr、text、scan 等模式。
使用方式：若提供 URL，先下载：curl -sL "URL" -o /tmp/document.pdf，再用 file 与 pdfinfo 校验。全文用 pdftotext file.pdf -；保留版式用 pdftotext -layout file.pdf -；指定页用 pdftotext -f 3 -l 5 file.pdf -。表格用 python3 scripts/extract.py tables file.pdf。元数据用 pdfinfo file.pdf。图像用 pdfimages -png file.pdf /tmp/images/img。扫描件用 python3 scripts/extract.py text file.pdf 自动回退 OCR，或 python3 scripts/extract.py ocr file.pdf 强制 OCR，可加 --pages 1-5、--dpi 400、--lang eng+nor。加密 PDF 可用 pdftotext -upw "password" 或 -opw "password"。编码问题用 -enc UTF-8。
适用场景：普通文本 PDF、多栏排版文档、含表格的结构化数据、扫描件、混合型 PDF、需要元数据或图像提取的文档。
限制：大 PDF 建议分页提取，避免超出上下文；OCR 依赖 Tesseract 语言包，可用 tesseract --list-langs 查看，Homebrew 可 brew install tesseract-lang；OCR 速度受 --dpi 影响；扫描件需 OCR 才能获得文本；密码保护文件需提供密码。