数据监测

东莞市云毅网络有限公司

PDF 表格抽取的三条技术路线对比：规则、库解析与版面识别企业文档处理绕不开 PDF 表格。参数表、报价单、检测报告、对账单，多数以 PDF 形式留存，而下游系统需要的是结构化字段。这篇文章把实际用过的三条路线摊开对比：规则/文本坐标法、PDF 库解析法、版面识别法，并给出选型判据与可运行的最小实现。

东莞市云毅网络有限公司

用标准库做网页正文抽取：从 HTML 到结构化字段的轻量实现把公开网页整理成结构化语料，是知识库、检索和问答类项目的前置步骤。可用的方案很多：成熟的正文抽取库、无头浏览器、第三方解析服务。但在内网、离线或需要审计的场景里，引入外部依赖往往比写一份小实现更麻烦。

东莞市云毅网络有限公司

用 SQLite FTS5 给企业知识库做问答检索原型：中文二元切分与 BM25 排序企业知识库的检索效果，往往决定了整套系统能不能被真正用起来。上线前想验证"资料这么切、这么搜，能不能找到对的内容"，不需要先搭一套向量库，用 Python 自带的 sqlite3 加 FTS5 就能跑出一个可量化评测的原型。本文给出完整实现：建表、中文切分、索引、查询排序，以及一个最小评测集的命中率测算。

我是有底线的