说点真实的感受 ：网上看啥组件都好，实际测，啥组件都不行。效果好的不开源收费，开源的效果不好。测试下来，发现把组件融合起来，还是能不花钱解决问题的，都是麻烦折腾一些。
这里分享了目前网上能够看到的资料。很多资料都是反复重复的，且效果不好的。目前网上基本没有太好用的工具，也没有太好的方案资料。剩下的就是收费效果好的。
PDF解析中的诸多挑战
版面分析：如何得到标题、如何的得到段落（正确的段落）、如何得到表格、如何得到图片，图和得到图片上的文字？
还有细节问题：双栏和多栏的问题、公式问题
扫描件：扫描件本质上是图片，如何从图片中解析得到文件。
PDF解析的主要思路
针对上述的挑战，PDF解析主要分为两个方向。一是标准PDF文件，程序可读。二是扫描文件，实际上就是图片，程序不可直接读。
- 解析和结构分析： PDF 抓取工具首先解析 PDF 文件并分析其结构以识别文档中的各种元素。 解析涉及检查布局、字体样式、表格、标题和其他结构组件，以了解内容的组织和安排。
- 文本提取： 然后，该工具采用 OCR 技术将扫描或基于图像的 PDF 转换为机器可读的文本。 OCR 算法通过分析 PDF 中的视觉数据并识别字符，将其转换为可编辑和可搜索的文本来实现此目的。
- 数据提取和模式识别： 一旦数据转换为机器可读格式，PDF 抓取工具就会应用模式识别算法来识别文本中的特定数据点，例如文档中的关键字、模式或预定义结构。 例如，抓取工具可以根据预定规则或正则表达式查找发票号码、日期、客户姓名或产品详细信息。
- 输出和格式： 然后，PDF 抓取工具将提取的数据组织成相关字段和结构化格式，例如电子表格、数据库或 JSON/XML，以供进一步分析。
OCR解析的路线
OCR是唯一的解决扫描版文件的方案，包括获取图片上的内容。
unstructured
Paddle-structure
Meta的版面恢复大模型：Nougat
Meta的版面恢复大模型：Nougat | Breezedeus.com
Nougat被戏称为富人的玩具。有一段这样的描述，就知道它有多慢了！"在一台配备有24GB VRAM的NVIDIA A10G显卡的机器上，可以并行处理6页内容。生成速度在很大程度上取决于给定页面上的文本量。在没做任何推理优化时，按平均每页有 ~1400 个 tokens算，Nougat base模型处理一个batch图片的平均时间为19.5秒。"
Nougat：结合光学神经网络，引领学术PDF文档的智能解析、挖掘学术论文PDF的价值 - 汀、人工智能 - 博客园
P2T检查走小模型的路线，目前拿来做内容识别还是OK的，特别是在公式方面。
PDF 解析工具对比
大模型RAG问答下的实用开源文档解析工具总结及技术思考：从文档版本分析到单双栏处理
可以拿到bbox的组件
pdfplunber pdfminer pymupdf papermage 这些组件是不是都可以拿到bbox?
- pdfplumber：pdfplumber 是一个基于 PDFMiner 的 Python 库，专门用于提取 PDF 文件中的文本和表格数据。它提供了一些方法来获取文本、表格和页面的 bounding box 信息。
- pdfminer：PDFMiner 是一个功能强大的 PDF 处理工具，可以用于提取 PDF 文件中的文本和布局信息。通过 PDFMiner，你可以获取文本、图片、表格等元素的位置信息，从而获得它们的 bounding box。
- pymupdf：PyMuPDF（也称为MuPDF）是一个用于处理 PDF 文件的 Python 库，提供了丰富的功能，包括提取文本、图像和其他元素的信息，以及获取它们的 bounding box。
- papermage：Papermage 是一个用于处理 PDF 文件的 Python 库，它使用了 PDFMiner 和其他一些工具，可以用于提取 PDF 文件中的文本、图像和布局信息，包括 bounding box。
可以拿到bbox的组件组件 对比
- pdfplumber：
- 优点：pdfplumber 提供了简单易用的接口，使得提取文本和表格数据以及获取 bbox 变得非常方便。
- 它能够准确地提取文本的 bbox，并且支持表格的识别和提取。
- 在处理包含复杂布局的 PDF 文件时表现较好。
- 缺点：对于处理包含大量图像的 PDF 文件时，性能可能不如其他库。
- 对于一些特殊格式的 PDF 文件，可能会出现解析错误。
- 优点：pdfplumber 提供了简单易用的接口，使得提取文本和表格数据以及获取 bbox 变得非常方便。
- pdfminer：
- 优点：PDFMiner 是一个功能强大且灵活的库，可以用于处理各种类型的 PDF 文件。
- 它提供了丰富的功能和选项，使得用户可以对文本和布局信息进行更深入的处理和分析。
- 缺点：相比于其他库，PDFMiner 的接口相对较复杂，需要更多的代码来实现相同的功能。
- 在处理复杂布局的 PDF 文件时，可能需要额外的调整和处理，以获得准确的 bbox 信息。
- 优点：PDFMiner 是一个功能强大且灵活的库，可以用于处理各种类型的 PDF 文件。
- pymupdf：
- 优点：PyMuPDF（MuPDF）是一个快速和高效的 PDF 处理库，对于大型 PDF 文件的处理效率较高。
- 它提供了一些简单的方法来获取文本、图像和布局信息，并且可以准确地提取 bbox。
- 缺点：PyMuPDF 的文档和社区支持相对较少，有时可能需要进行一些自行探索和调试。
- 优点：PyMuPDF（MuPDF）是一个快速和高效的 PDF 处理库，对于大型 PDF 文件的处理效率较高。
- papermage：
- 优点：Papermage 是一个基于 PDFMiner 和其他一些工具构建的库，它提供了一些简单的接口来处理 PDF 文件。
- 它支持获取文本、图像和布局信息，并且能够准确地提取 bbox。
- 缺点：Papermage 相对较新，可能还不够成熟，可能存在一些功能上的限制和问题。
- 相比于其他库，Papermage 的文档和社区支持较少。
- 优点：Papermage 是一个基于 PDFMiner 和其他一些工具构建的库，它提供了一些简单的接口来处理 PDF 文件。