pdf

# pdf — PDF 读取与转换兜底 ## 何时使用 - 用户上传 `.pdf` 题目。 - 需要读取优秀论文 PDF 的摘要、目录或局部章节。 - MinerU 不可用或输出失败。 - PDF 扫描件需要 OCR。 ## 优先链路 1. `mineru` skill。 2. 宿主 `pdf` skill。 3. `pdfplumber` 文本和表格提取。 4. 图像 OCR 兜底。 ## 论文 PDF 导出兜底 `scripts/runtime/export_paper.ps1` 的 simple text-only PDF 只用于占位交付。该兜底 使用基础字体，非 ASCII 字符会被替换为 `?`，因此中文 formal 论文不能把它视为 高保真 PDF。出现该兜底时必须： - 在 `export_report.json` 中写 `pdf_fallback` 与 `paper_pdf_high_fidelity=false`； - 在 `export_audit.json` 中标记 `pdf_readability=placeholder` 或 warning； - 最终质量等级最高为 `provisional_pass`。 ## 题目 PDF 转 Markdown ```python import pdfplumber with pdfplumber.open("problem.pdf") as pdf: text = "\n\n".join(page.extract_text() or "" for page in pdf.pages) with open("problem.md", "w", encoding="utf-8") as f: f.write(text) ``` 复杂表格、公式和多栏排版优先交给 `mineru`。 ## 参考论文读取策略 - 优先读标题、摘要、目录、参考文献。 - 只在需要借鉴模型表述时读对应章节。 - 每篇累计读取页数不超过 5 页。 - 不全文复制优秀论文内容。 ## 失败诊断 | 情况 | 处理 | |---|---| | 全部 PDF 工具不可用 | 保留原 PDF，让多模态能力直接读 | | 提取乱码 | 写诊断，建议用户提供文本版 | | 公式提取失败 | 保留原始字符串，由 writer 补 LaTeX |