核心用法
pdf-ocr-layout 是一款面向复杂文档的多模态深度分析工具，采用三阶段流水线架构：
1. 视觉提取层：调用 GLM-OCR 执行物理布局分析，识别表格、图片、图表等页面元素，输出带坐标（Bbox）的 HTML/Markdown 格式内容，并自动裁剪独立图像文件
2. 语义理解层：
3. 输出整合：生成结构化 JSON，包含元素类型、坐标、原始内容及 AI 深度理解结果
- 表格数据 → GLM-4.7 文本模型，结合全文上下文进行逻辑推理与业务含义解读
- 图表/图片 → GLM-4.6V 多模态模型，基于图像 Base64 + 标题上下文进行视觉语义分析
支持 PDF、PNG、JPG 输入，命令行一键调用，输出目录自动管理。
显著优点
- 高精度布局识别：GLM-OCR 专为文档解析优化，表格转 Markdown 格式规整，图表自动裁剪定位精准
- 双模型协同推理：文本与视觉任务路由至最优模型，避免单一多模态模型在表格逻辑分析上的短板
- 上下文感知理解：所有分析基于完整文档阅读顺序与段落关联，非孤立片段处理，解读更具连贯性
- 工程友好：提供标准化 JSON 输出、清晰 CLI 接口，便于接入下游知识库或 RAG 系统
潜在局限
- 单页限制：多页 PDF 默认仅处理首页，批量处理需自行扩展循环逻辑
- 环境依赖：需配置智谱 API Key，且依赖 Pillow、BeautifulSoup4 等 Python 库
- 成本考量：三模型级联调用（OCR + 4.7 + 4.6V）token 消耗较高，高频场景需评估成本
- 中文生态绑定：底层模型均为智谱 GLM 系列，对非中文文档的优化程度待验证
适合人群
- 金融/法律/科研领域需从研报、论文、合同中提取结构化数据的分析师
- 构建文档问答 RAG 系统的开发者，需将图表转为可检索语义内容
- 企业知识库建设者，需批量处理扫描件/PDF 并生成带理解注释的索引
常规风险
- API 稳定性依赖智谱服务可用性，建议设置重试与降级机制
- 敏感文档上传至第三方 API，需确认数据合规性与保密协议
- 复杂手绘图表或低质量扫描件可能识别失败，建议预处理优化图像质量