PDF 抽取与调试工作流

把抽取当成调试问题

复杂 PDF 的失败原因并不相同。受密码保护的文件、扫描合同、阅读顺序损坏的带标签报告、图表密集的研究附录，都需要不同处理。这个工作流把原因拆清楚，避免团队反复运行错误的转换器。

先处理阻断和安全

用 encrypted-pdf-converter 确认权限或密码是否参与失败，再在文件进入 AI 摘要或工作流自动化前运行 pdf-prompt-injection-scanner。这一步能在文档证据和不应执行的指令之间建立安全边界。

隔离能解释问题的页面

多数抽取 bug 在缩小范围后才会清楚。用 pdf-page-range-extractor 创建小样本，用 pdf-header-footer-noise-remover 减少重复样板内容。随后结合 tagged-pdf-inspector、pdf-reading-order-debugger 和 formula-chart-heavy-pdf-analyzer 判断问题来自标签、阅读顺序、扫描内容、表格、公式还是视觉材料。

按证据选择修复方向

如果小样本中的文字顺序已经错乱，优先修复阅读顺序或改走 OCR，而不是继续调表格参数。如果表格边界稳定但单元格合并错误，就把目标缩小到 CSV/JSON 表格证据。如果删除线、批注或审阅痕迹会影响结论，则应在结构化输出前单独抽取并标注这些信号。每次调整后都保留输入页、工具选择和输出片段，方便复测。

有意识地选择输出路径

图像页用 scanned-pdf-ocr-to-markdown，可读正文用 pdf-to-structured-markdown-converter，表格证据用 pdf-table-extractor-to-csv-json，需要保留层级时用 pdf-to-json-structure-explorer。如果审阅删除痕迹也重要，在交接前加入 pdf-strikethrough-review-extractor。合格的最终说明应写清测试页面、可信输出，以及仍需人工复核的内容。