pdf 反人类的，是面向印刷的，保证任何系统上排版不变形。

如果不是图片扫描的文本类型的pdf，你看到的任何一个字都有可能存储在文件的任何位置，是乱序的。render的过程需要整个文档在内存里展开。

有个兄弟提到可以用大模型来处理，我觉得可以试试。

【 在 jjslove 的大作中提到: 】
: 早期的报纸, 如图, 有能提取文字的么, 谢谢[upload=1][/upload]
--
FROM 223.70.167.*