可移植文档格式，常用于文档交换和存储，在RAG应用中是常见的文档摄取来源
核心事实
时间轴 (近 90 天)
在财务文件、扫描合同、政府档案中，PDF内部可能同时存在栅格图像、矢量轮廓、不可见OCR层、注释和嵌入文件。
该PDF由扫描仪式流水线生成：先将页面栅格化为图像，再叠加不可见OCR文本层用于无障碍访问，提取器读到的是矢量轮廓层（标题、书签），因此只返回了标题。
PDF不是一种格式，而是一个容器，可以包含文本、图像、矢量轮廓、不可见无障碍层、注释、嵌入文件、JavaScript及任意组合，且不同页面可能走不同生成路径但共享同一后缀名。
确定性解析器直接读取PDF对象层，解析内容流中的文本操作符，建立字符到语义块的映射，输出结构化AST，且输出完全可复现。
PDF文档内部由页面内容流组成，字符通过文本展示操作符（如Tj、TJ）定位在变换矩阵上，不存在段落、表格、列表等语义容器对象。
PDF格式诞生于1993年，其核心设计目标是打印保真度，关注字符在二维平面上的绝对坐标而非文档的语义结构。
从PDF还原表格时，工具需根据文本块的X坐标聚类出列位置，将落在同一列区间内的文本归入同一单元格，再补上GFM分隔行。
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。
Magic bytes 是文件开头固定偏移处的特征字节序列，由格式规范定义，用于在不解码整个文件的情况下判定真实类型；Windows 可执行文件以 MZ（0x4D 0x5A）开头，PDF 以 %PDF 开头，PNG 以 \x89PNG 开头，ZIP 及其衍生格式以 PK\x03\x04 开头。
把签名图片贴入PDF只是视觉上的签名，无法证明签署者身份，也无法防止内容被修改。
还有 36 条时间轴事件
全部知识事实 (20)
PDF本质上是一种打印导向的格式，关注像素在纸面上的呈现位置而非文本的逻辑结构
65%待验证PDF内部结构是基于PostScript的页面描述语言，包含字体嵌入、图层、加密等复杂元数据，需要通过PyMuPDF、pdfplumber等专用解析库才能提取可读文本
95%待验证在财务文件、扫描合同、政府档案中，PDF内部可能同时存在栅格图像、矢量轮廓、不可见OCR层、注释和嵌入文件。
50%待验证PDF不是一种格式，而是一个容器，可以包含文本、图像、矢量轮廓、不可见无障碍层、注释、嵌入文件、JavaScript及任意组合，且不同页面可能走不同生成路径但共享同一后缀名。
50%待验证该PDF由扫描仪式流水线生成：先将页面栅格化为图像，再叠加不可见OCR文本层用于无障碍访问，提取器读到的是矢量轮廓层（标题、书签），因此只返回了标题。
50%待验证从PDF还原表格时，工具需根据文本块的X坐标聚类出列位置，将落在同一列区间内的文本归入同一单元格，再补上GFM分隔行。
50%待验证确定性解析器直接读取PDF对象层，解析内容流中的文本操作符，建立字符到语义块的映射，输出结构化AST，且输出完全可复现。
50%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。
50%待验证PDF文档内部由页面内容流组成，字符通过文本展示操作符（如Tj、TJ）定位在变换矩阵上，不存在段落、表格、列表等语义容器对象。
50%待验证PDF格式诞生于1993年，其核心设计目标是打印保真度，关注字符在二维平面上的绝对坐标而非文档的语义结构。
50%待验证Magic bytes 是文件开头固定偏移处的特征字节序列，由格式规范定义，用于在不解码整个文件的情况下判定真实类型；Windows 可执行文件以 MZ（0x4D 0x5A）开头，PDF 以 %PDF 开头，PNG 以 \x89PNG 开头，ZIP 及其衍生格式以 PK\x03\x04 开头。
50%待验证PDF转Word便于编辑文字，PDF转Excel便于处理表格，PDF转JPG可以把文档页面变成图片文件，JPG转PDF用于把多张图片合并成一份文档，Word转PDF适合用统一格式分享文档。
50%待验证推荐的一套简化PDF工作流顺序为：选择原始文档；如有需要先转换格式；删除多余页面或整理内容；体积成问题时压缩文件；按需编辑或签名；分享前审查最终文档。
50%待验证压缩PDF的幅度取决于原始文件本身——文本为主的PDF压缩空间有限，图片为主的PDF则可能有明显效果。
50%待验证PDF转换并不总能完美保留原始排版，复杂表格、特殊字体、分栏以及扫描页面都应在转换后逐一检查。
50%待验证把签名图片贴入PDF只是视觉上的签名，无法证明签署者身份，也无法防止内容被修改。
50%待验证页面分类器的真正价值仅限于没有元数据的场景：外国发行人以PDF形式披露的年报、投资者演示文稿、数据室上传文件和扫描附件。
50%待验证PDF/DOCX 是二进制格式，进行文本质量检查前必须先将文件内容转换成纯文本字符串
50%待验证复杂PDF被简单抽取成纯文本后，其内在的层级关系和语义边界会被破坏，影响后续检索准确性
50%待验证扫描版PDF需要先经过OCR步骤才能进入解析流程，这会额外引入识别误差
50%