用途：从 PDF、图片及其他文档格式中提取、转换并结构化内容，覆盖 OCR、文本提取、Markdown 转换、邮箱提取和结构化数据输出。
主要能力：按文档类型选择处理方式。原生 PDF（含文本层）用 pdftotext、pymupdf 直接提取；扫描版 PDF 和图片（PNG、JPG、TIFF）用 Mistral OCR API 或 tesseract 做 OCR；Word（.docx）用 python-docx、pandoc 转换；HTML 用 pandoc、beautifulsoup4 转换。可用 pdftotext input.pdf - | head -20 判断 PDF 是否含文本层，输出为空或乱码则视为扫描件。
使用方式：原生 PDF 可用 pymupdf 逐页 get_text("markdown") 提取。Mistral OCR 需 MISTRAL_API_KEY 环境变量，不可用时回退 tesseract 离线处理。tesseract 单页命令为 tesseract input.png output -l eng --oem 3 --psm 6；PDF 可先 pdftoppm input.pdf page -png 再逐页 OCR 并合并。结构化阶段可清理 OCR 伪影、重建表格、识别标题、保留列表，并用正则提取邮箱、日期、电话。输出支持 Markdown（默认）、JSON、纯文本。批量处理可遍历目录中所有 PDF 逐个转换，大集合建议建立清单并记录成功/失败/跳过。
适用场景：扫描件转可搜索文本、PDF 文本提取、文档转 Markdown、从文档抽取邮箱地址等结构化数据、批量处理文档集合。
限制：Mistral OCR 依赖 API 密钥；tesseract 为离线回退方案。提取后需做质量检查，确认文本可读、表格结构保留、无页面遗漏、特殊字符正确、标题与章节已识别。更多配置见 references/ocr-configuration.md 与 references/pdf-tools.md。