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

1. mineru skill。
2. 宿主 pdf skill。
3. pdfplumber 文本和表格提取。
4. 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