PDF 转换、OCR 与内容提取工作流

目标与适用范围

将办公文档、Wiki 页面、注释和图片转成 PDF，再从现有 PDF 中提取文本、图片、表格、结构或 OCR 文本层。
本指南将当前任务范围转化为可复核的交付结果。请保留源文件、中间产物和关键判断，让后续协作者能够理解检查了什么以及为什么这样处理。

准备证据并作出选择

• 收集要处理的文档、图片或 PDF，并确认你有权处理这些文件。

• 先确定目标是发布归档、图片导出、OCR、表格提取、JSON 结构检查，还是准备给 LLM 使用的干净文本。

• 决策点: 你是在生成 PDF，还是从 PDF 中提取内容？. 最终交付物是 PDF 时选择文档和图片转换工具；PDF 是输入时选择文本、OCR、表格、图片、栅格化或 JSON 结构工具。

• 决策点: PDF 是否已经有可用文本层？. 数字 PDF 用直接文本提取；扫描页用 OCR 文本层；需要进入搜索、RAG、分析或自动化时，再选择干净文本或结构化提取。

按步骤完成工作流

1. 从文档来源生成 PDF

先处理注释文档、Wiki 页面、演示稿、电子表格和文字文档，把原始资料变成可审阅、可分享的 PDF 包。 使用 doc-comment-to-pdf-docs, wiki-page-to-pdf, libreoffice-odp-to-pdf, libreoffice-ods-to-pdf, libreoffice-odt-to-pdf.

2. 把图片打包成 PDF 页面

当收据、扫描件、截图、商品图或归档图片需要变成便携的页式文件时，将图片集合转换为 PDF。 使用 avif-to-pdf, gif-to-pdf, jpg-to-pdf, png-to-pdf, tiff-to-pdf, webp-to-pdf.

3. 为访问和视觉复用准备现有 PDF

对已授权的加密文件先解锁；当下游需要页面图像而不是可编辑对象时，再导出图片或栅格化页面。 使用 encrypted-pdf-converter, pdf-to-image, pdf-rasterize-pages.

4. 提取文本、表格和结构

根据下游需要选择直接文本、OCR 文本层、LLM 干净文本、表格 CSV/JSON 或 PDF 结构检查。 使用 pdf-text-extractor, pdf-ocr-text-layer, pdf-to-clean-text-for-llm, pdf-to-json-structure-explorer, pdf-table-extractor-to-csv-json.

交付前验收结果

• 每个源文件都按格式进入对应转换器，生成的 PDF 能打开，并且页序、尺寸和视觉效果符合预期。
• 受保护 PDF 只在拥有授权密码时处理，解锁结果需先检查，再进行提取或分发。
• 文本、OCR、图片、表格、栅格和 JSON 输出都要用代表性页面复核，确认可用于下游。

常见问题

• 这个工作流只适合把文件转成 PDF 吗？ 不是。它同时覆盖两个方向：从文档或图片生成 PDF，以及从现有 PDF 中提取文本、图片、表格、OCR 层、栅格图或结构信息。
• 什么时候用 OCR，而不是文本提取？ 页面是扫描图或截图、没有可靠文本层时用 OCR；PDF 中已有可选择文本时，优先用直接文本提取。
• 可以处理加密 PDF 吗？ 可以，但前提是你有授权密码或处理权。先解锁并检查结果，再进行提取或转换。