核心用法
本 Skill 提供完整的 PDF 结构化数据提取流程，遵循 ETL 模式（Extract-Transform-Load）。主要技术栈包括：
- pdfplumber：原生 PDF 表格与文本提取，支持布局感知和区域裁剪
- pytesseract + pdf2image：扫描文档 OCR 处理，支持多语言识别
- pandas：数据清洗与多格式导出（Excel/CSV/JSON）
典型工作流：
1. 识别 PDF 类型（原生/扫描）
2. 选择对应工具提取表格或文本
3. 针对建筑场景优化（BOM 解析、进度表识别、规范章节提取）
4. 批量处理与数据清洗
5. 多格式导出与下游集成
显著优点
- 双模覆盖：原生 PDF 用 pdfplumber（速度快、精度高），扫描 PDF 用 OCR（兼容历史文档）
- 建筑垂直优化：内置 BOM、进度表、技术规范的专用解析逻辑，识别常见表头关键词
- 生产级代码：包含完整的错误处理、内存优化（逐页处理）、批量处理与可视化调试工具
- 灵活输出：支持 Excel、CSV、JSON、JSON Lines 等多种格式，便于对接 BI 工具或数据库
- 来源可信：基于 Artem Boiko《Data-Driven Construction》DDC 方法论，引用 Chapter 2.4 学术框架
潜在局限
- 格式依赖：复杂排版、合并单元格、跨页表格可能出现错位，需人工校验
- OCR 局限：手写体、低分辨率扫描件、特殊字体识别率下降，需预处理优化
- 语言支持：Tesseract 对中文/混合语言支持需额外配置语言包
- 性能瓶颈：高 DPI OCR 与大型 PDF 内存消耗较高，建议分页流式处理
- 无智能理解：仅做结构化提取，不做语义理解（如材料规格的标准化归类）
适合人群
- 建筑数据工程师、BIM 协调员、造价工程师
- 需要将历史纸质/扫描文档数字化的文档管理团队
- 构建 ETL 管道、数据仓库集成的技术团队
常规风险
- 数据隐私：OCR 云服务（若使用）可能泄露敏感工程信息，建议本地 Tesseract 部署
- 提取错误：表格错位、数字 OCR 误识（如 0/O、1/l）可能导致造价计算错误，必须抽样校验
- 格式兼容性：pdfplumber 对某些加密或特殊编码 PDF 可能失效，需备用方案