pdf-harvester 是一个 PDF 摄取技能，目标是把 PDF 文档抽取并写入 RAG，覆盖文本提取、表格处理与元数据保留。
主要能力包括：按版面保留的文本提取；表格提取并转换为 markdown；学术论文结构识别（标题、摘要、章节、参考文献）；针对扫描件的 OCR；多页分段策略。
使用前需安装依赖：核心提取为 pip install pdfplumber pymupdf；OCR 为 pip install pytesseract pdf2image，macOS 还需 brew install tesseract poppler；若需从 arXiv 获取论文可 pip install arxiv。
提取方式提供三种：Method 1 为 pdfplumber，推荐用于含表格的结构化 PDF；Method 2 为 PyMuPDF（fitz），速度更快，适合大文件并可按字号/加粗检测标题；Method 3 为 OCR，用于扫描版 PDF，可用 is_scanned_pdf 判断是否为图像型文档。
分段策略有三类：按页分块、按章节标题分块、按段落并带重叠分块。提供 extract_academic_paper 处理研究论文的摘要与参考文献。
完整流程通过 harvest_pdf 与 harvest_pdf_url 完成，可按 pages/sections/paragraphs 选择分段策略，支持 is_academic 与 use_ocr 参数，将分块与表格分别入库并返回页数、分块数与表格数等结果。
限制：未提供具体平台、收费或价格信息；OCR 需额外系统依赖；具体入库函数 ingest 的接口未在资料中给出，需自行对接。