PyMuPDF
基于MuPDF引擎的Python PDF处理库，提供高性能的PDF文本提取、渲染和操作功能，广泛用于文档解析和处理场景
时间轴 (近 90 天)
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。
PyMuPDF是一个基于MuPDF引擎的Python库，专用于PDF及其他文档格式的解析、渲染与文本抽取，优势在于速度快、内存占用低、无需外部依赖，且能精确返回每个字符的边界框坐标。
RedPen使用PyMuPDF进行文本抽取，分段模块恢复条款编号并保留每条条款的页码和字符跨度，每条发现都逐字引用触发它的原文。
Local Receipt Sorter 的技术栈包括 PyMuPDF 解析 PDF、Streamlit 提供交互界面、pandas 处理导出。
arXiv的PDF解析是学术论文跨库检索的主要难点，公式、表格、双栏排版会导致通用解析器出错。
v1.11.2 新增基于 PyMuPDF 实现的页面 90 度旋转功能，可持久化保存旋转状态
AgenticOS的文档解析默认采用PyMuPDF，配合LiteParse和Tesseract OCR在worker中运行
在 PDF 全文解析测试中，Chunkr PDFLoader 耗时 747.9 ms（2,762 页/秒），相比作为基准的 pypdf 快 15.9 倍，PyMuPDF 快 4.5 倍
标准PDF文本提取器通常按照Y轴从上到下、X轴从左到右的顺序对文字对象排序后拼接，在多栏布局中会把左栏和右栏文字混排导致语义顺序错乱
与PyMuPDF相比，pdfplumber在表格边线检测方面提供了更高层的抽象（page.find_tables()），可配置边线识别策略
还有 5 条时间轴事件
全部知识事实 (17)
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PaddleOCR
90%待验证文档处理层使用 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。
50%待验证PyMuPDF是一个基于MuPDF引擎的Python库，专用于PDF及其他文档格式的解析、渲染与文本抽取，优势在于速度快、内存占用低、无需外部依赖，且能精确返回每个字符的边界框坐标。
50%待验证RedPen使用PyMuPDF进行文本抽取，分段模块恢复条款编号并保留每条条款的页码和字符跨度，每条发现都逐字引用触发它的原文。
50%待验证Local Receipt Sorter 的技术栈包括 PyMuPDF 解析 PDF、Streamlit 提供交互界面、pandas 处理导出。
50%待验证arXiv的PDF解析是学术论文跨库检索的主要难点，公式、表格、双栏排版会导致通用解析器出错。
50%待验证v1.11.2 新增基于 PyMuPDF 实现的页面 90 度旋转功能，可持久化保存旋转状态
50%待验证AgenticOS的文档解析默认采用PyMuPDF，配合LiteParse和Tesseract OCR在worker中运行
50%待验证在 PDF 全文解析测试中，Chunkr PDFLoader 耗时 747.9 ms（2,762 页/秒），相比作为基准的 pypdf 快 15.9 倍，PyMuPDF 快 4.5 倍
50%待验证标准PDF文本提取器通常按照Y轴从上到下、X轴从左到右的顺序对文字对象排序后拼接，在多栏布局中会把左栏和右栏文字混排导致语义顺序错乱
50%待验证与PyMuPDF相比，pdfplumber在表格边线检测方面提供了更高层的抽象（page.find_tables()），可配置边线识别策略
50%待验证主流版式感知PDF提取方案分为基于规则的工具（如pdfplumber、PDFMiner）和基于视觉模型的方案（如Microsoft LayoutLM、Amazon Textract、Adobe PDF Extract API）
50%待验证PyMuPDF导入名为fitz，基于Artifex公司开发的MuPDF渲染引擎，通过SWIG绑定暴露给Python
50%待验证PyMuPDF采用延迟加载策略，按需读取页面数据，不会将整个PDF加载到内存
50%待验证使用PyMuPDF或pdf2image将PDF逐页转换为高分辨率图片时，建议使用300 DPI以上以保证识别质量
50%待验证PyMuPDF的导入名为fitz，基于MuPDF引擎，能以编程方式控制PDF渲染并指定DPI将页面转换为图像
50%