待验证50% 置信事实精确时间
文档处理层使用 RapidOCR（基于 PaddleOCR 模型转换、通过 ONNX Runtime 推理）配合 PyMuPDF，对矢量 PDF 直接读取内嵌文本层，对扫描件降级到 OCR 流程，并通过空间边界框聚类还原版面结构。
1
来源数
50%
置信度
长期有效
时效性
2026/10/15
首次发现
来源
涉及实体
相关事实
待验证归一化处理中PDF解析可使用PyMuPDF或pdfplumber，Word文档处理常用python-docx，图片OCR可用Tesseract或PaddleOCR73% 相似待验证PDF 文档的解析流程通常包括 OCR 识别、文本提取、分块（chunking）、向量嵌入（embedding）生成、以及存入向量数据库等多个步骤72% 相似待验证分批处理（batching）是大型PDF OCR的首要原则70% 相似待验证作者采用混合解析路由：用PyMuPDF/pdfplumber本地处理密集文本和标准结构化表格，Vision LLM被严格限定为仅处理无法OCR的扫描图形和手写批注的二级回退方案68% 相似待验证MD-Convert的PDF转Markdown工具处理流程为：原始PDF规范→语义AST解析→干净的Markdown文件，输出可直接用于GitHub文档、LLM上下文窗口和静态站点生成器。68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1032635API
curl https://kongchang.com/api/v1/knowledge/claims/1032635MCP
get_claim(id=1032635)