你每天遇到的PDF,其实分三种——技术选型的第一步先就是判断类型: 从├─类型1来看，文字型PDF ├─→里面的是计算机认识字符,鼠标能选中、能复制→不需要OCR,直接用工具提取即可→占公司文档约% ├─→代表Word导出PDF、电子发票、网页打印PDF ├─类型2的观点是，图层型PDF ├─→看起来有文字,能选中,但复制出来是乱码→原因PD使用自定义字体编码,肉眼看着正常,机器读不懂→需要字体映射或OCR才能正确提取→占公司文档约% ├─→代表设计软件导出PDF、加密文档 说到├─类型3。扫描版PDF ├─→本质上是堆照片拼起来每一页都是张图片你看到文字其实印刷品拍出来照片→必须使用OCR才能提取文字→占公司版约% ├─→代表扫描合同、盖章件历史案纸质报告电子化 ├──关键洞察: ├──%公司版是扫描版必须用OCR←60%版看似文字实则乱码也需要OCR兜底←只有40%版可以纯本提取←结论不做OCR程序从一开始就丢失60%据

说到第二章，领域真实场景痛点全景

六大主要痛点

至于痛点1，----------- 问题多栏排版嵌套标题页眉页脚干扰导致顺序错乱典例双栏论左栏右栏被交错拼接影响命中左开头右混合频★★★★★几乎所有多栏 再看痛点2，----------- 问题表格被展平为纯本行列关系完全消失典例财务变成项目金额项目金额无结构影响XX线毛利查询完全无法命中频★★★★★金融/财/运维场景主要痛点 至于痛点3，----------- 问题个表格跨两页被分成两个独立碎片典例行参数前行Page后行Page影响检索只能命中半部分丢失关键据频★★★长常见 至于痛点4，----------- 问题合并单元归属关系丢失典例华东区合并行拆解后不知道自己属于华东区影响华东区XX指查不到因为拆解后没有华东区标签频★★管理/运维手册常见 至于痛点5，----------- 问题数学公式变形化学符号错乱上下标丢失典例H₂O变成H₂Ox²变成x∑变成乱码影响学术/技术语义完全改变频★学术/技术场景 再看痛点6，----------- 问题图片表正侧边栏阅读顺序混乱典例侧边注意入正间语义断裂影响检索得到缺少上下无法理解频 ★ ★ ★ ★ 技术手册产品常见

一个实际案例回放

某金科团队耗时三个月建智能问答程序上首日遭遇重挑战。业人员提交基于Q季度财报DF分析XX线毛利率变程序返回未找到相关据。技人员通过日志追踪发现程序从DF中提取存在三致命缺陷： .结构破坏多栏排版被混单行流 →营收入和营成本被拼接营收入营成本 .跨断裂表第页第页之间切断 第5头第6体两个chunk 检索到体不知道头含义 .合并单元归属消失 跨横跨两归属关系消失 查询华东区毛利时这条不会检索到 →叠加导致80%表据存在不可检索

至于第三章，DF解析技路与工具选型

四大技路线

四大DF解析路线: 路线1传统级联流水 规则驱动+训练模式VLM深度学习驱动+Transformer架构VLM专用VLM混合 路线1传统级联流水: 规则驱动+训练模式VLM深度学习驱动+Transformer架构VLM专用VLM混合 路线1传统级联流水: 规则驱动+训练模式VLM深度学习驱动+Transformer架构VLM专用VLM混合

Mainstream Tools Comparison Across Board

Tool Name Author Maintainer Maintainers Maintained by GitHub Stars

Mainstream Tools Comparison Across Board .pdf/.docx/.html/.md/.txt files. Support for multiple languages including Chinese and English. PaddleOCR-VL- A comprehensive open source OCR system with multi-language support and high accuracy in text detection and recognition. MonkeyOCRv A lightweight OCR system with support for multiple languages including Chinese and English. DeepSeek-OC A comprehensive OCR system with support for multiple languages including Chinese and English. Docling IBM/Linux Foundation - Pipeline - Support for multiple document formats including PDF/DOCX/PPTX/XLSX/HTML/image.

Marker Personal developer - Pipeline - Fast and simple document parsing solution for Python.

OpenDataLoader OpenDataLab - Hybrid - Efficient document parsing solution with GPU acceleration.

LlamaParse LlamaIndex - API Service - Easy-to-use API service for parsing documents into structured data.

GOT-OC Stagewise Starry Sky . B End-to-end solution for OCR tasks with high accuracy and fast inference speed.

Unstructured Unstructured.io - Pipeline - Open source project providing a unified interface to extract structured data from unstructured documents.

PyMuPDF Artifex Software Inc. Native Extraction Solution using MuJS JavaScript engine to render PDF content into HTML/CSS format n parse it back into plain text format.