用途：将 PDF 文档解析为干净、结构化的数据，供 RAG 管线、文档分析与数据抽取使用。
主要能力：按版式提取文本并识别标题；把表格转为结构化 JSON（含表头与行字典）；提取内嵌图片及格式、宽高信息；读取标题、作者、页数、是否加密等元数据；将页面文本切分为带重叠的 RAG 文本块；对扫描件走 OCR 流程；输出完整 JSON 及页数、表格数、图片数、块数统计。
使用方式：先按 PDF 类型选择策略——数字文本用 pdfplumber 或 PyMuPDF 直接抽取，扫描件用 Tesseract 或 EasyOCR，表格密集用 Camelot 或 pdfplumber，复杂版式可回退到视觉大模型。安装命令：pip install pdfplumber pymupdf camelot-py[cv] Pillow；OCR 另需 pip install pytesseract easyocr。随后按步骤调用文本、表格、图片、元数据抽取函数，再切块并汇总为 JSON。
适用场景：季度财报等含表格文档的数据抽取、法律合同批量条款提取、为向量库准备分块语料。
限制与注意：部分 PDF 字体编码会导致乱码，pdfplumber 失败时可改用 PyMuPDF；有边框表格优先 Camelot，无边框表格 pdfplumber 效果更好；大文件应逐页处理并流式写盘；加密 PDF 需先检查 doc.is_encrypted 并输入密码；抽取结果应抽样比对原文后再用于生产。资料未提供具体收费、平台支持范围与准确率指标。