woodfishhhh 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
mineruskill。- 宿主
pdfskill。 pdfplumber文本和表格提取。- 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
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 |