Python实战：多策略融合精准提取PDF文档标题的技术方案

1. 项目概述：为什么“准确获取PDF标题”是个技术活？

在信息爆炸的时代，PDF文件几乎成了数字文档的代名词。无论是学术论文、商业报告、电子书还是官方表格，PDF格式因其跨平台、保真度高的特性而被广泛使用。然而，当我们面对一个文件夹里成百上千个命名混乱的PDF文件时，一个看似简单的问题就变得棘手起来：如何快速、准确地知道每个PDF文件真正的“标题”是什么？这里的“标题”，通常指的是文档内容本身所定义的、最具代表性的那个名称，它可能出现在封面页、页眉、或者元数据里，但绝不等同于文件名。

你可能会说，这还不简单？看文件名不就行了。但现实往往很骨感。我们下载的PDF，文件名可能是“document.pdf”、“download.pdf”、“untitled.pdf”，或者是一串毫无意义的数字和字母组合。即便文件名包含了一些信息，比如“李大霄投资战略第三版.pdf”，这也只是上传者或下载器赋予的名字，文件内部的真实标题可能略有不同，或者干脆就是“投资战略（第三版）”。更复杂的是，一份PDF的内部标题，可能存在于多个地方：文档属性中的“标题”元数据字段、第一页的大号加粗文字、目录前的独立标题页，甚至是页眉页脚里。这些来源可能一致，也可能互相矛盾，或者干脆缺失。

因此，“准确获取PDF文件中的标题”这个需求，远不止是读取一个属性那么简单。它涉及到对PDF文档结构的理解、文本内容的智能解析、以及在不同信息源冲突时的决策逻辑。对于文档管理、知识库构建、学术资源整理乃至自动化办公流程来说，这都是一个基础且关键的技术环节。无论是想用Python批量整理自己的电子书库，还是开发一个智能文档处理系统，亦或是为大型语言模型（LLM）准备高质量的文本数据，第一步往往就是给文档“验明正身”。接下来，我将结合多年处理文档的经验，从原理到实践，拆解如何实现这一目标。

2. 核心思路与方案选型：从“读取”到“理解”的跨越

获取PDF标题，本质上是一个信息检索与优先级判定的问题。我们不能指望一种方法在所有场景下都百分之百准确，但可以设计一套鲁棒的流程，在绝大多数情况下得到可靠的结果。这个流程的核心思想是：多源采集，优先级仲裁，后处理校验。

2.1 信息源的优先级定义

首先，我们需要明确PDF中可能包含标题的位置，并为它们定义一个合理的检索优先级。根据可靠性和规范性，我通常遵循以下顺序：

1. 文档信息字典中的标题元数据：这是最规范、最理想的来源。PDF标准定义了诸如/Title、/Author、/Subject等元数据字段。如果创建者规范地填写了这些信息，从这里获取的标题是最准确的。它的优先级最高。
2. 文档结构树中的标题：一些制作精良的PDF（特别是来自LaTeX或专业排版软件）会包含一个逻辑结构树，其中明确标记了标题、章节等元素。从这里面提取的标题也非常可靠。
3. 第一页的视觉标题：当元数据缺失时，我们退而求其次，分析文档第一页（通常是封面或首页）的版面布局，寻找字体最大、位置最显眼（如居中、靠上）的文本块作为标题候选。
4. 文件名：这是最不可靠的来源，但可以作为最后的手段。通常需要对文件名进行清洗（去除扩展名、下载后缀如“_downloaded”等），并谨慎使用。

注意：优先级并非固定不变。例如，如果从元数据提取的标题是“Untitled”或“Document”，这显然是一个无效的占位符，此时就应该降级其优先级，转而依赖视觉分析或文件名。

2.2 技术方案选型：Python生态的优势

实现上述思路，Python是不二之选，其丰富的库生态系统为我们提供了强大的工具。主要涉及以下几类库：

• 基础解析与元数据读取：PyPDF2、pikepdf、PyMuPDF。这些库可以直接读取PDF的底层对象和元数据。PyMuPDF功能强大，速度极快，是处理复杂PDF的利器。
• 高级版面分析与OCR：pdfplumber、camelot。pdfplumber能提供精确的字符、线条和矩形框的位置信息，对于分析页面布局、定位标题区域至关重要。对于扫描版PDF，则需要结合pytesseract和pdf2image进行OCR识别。
• 文本处理与清洗：re（正则表达式）、unicodedata。用于清理提取到的文本，去除多余空格、换行、非打印字符等。
• 大语言模型辅助理解：OpenAI API、LangChain。在传统方法失效或结果模糊时，可以调用LLM基于页面内容智能推断文档标题。这是提升“准确率”和“智能化”上限的方案，但依赖网络和API成本。

为什么选择这样的技术栈？PyPDF2或PyMuPDF用于获取“规范信息”（元数据、书签），这是成本最低、最快速的第一步。pdfplumber用于应对“非规范文档”，它不假设文档结构良好，而是通过分析页面上每一个字符的坐标和样式来重建版面，这种方法更通用。LLM则是作为“终极裁判”和“智能补全”，处理前两者都无法解决的边缘案例。这种组合拳，兼顾了效率、通用性和智能化。

3. 实操步骤一：基础信息提取与元数据读取

让我们从最简单的开始，用代码来实现第一步：读取PDF的元数据。

3.1 使用PyMuPDF获取元数据

首先安装必要的库：pip install pymupdf。

import fitz # PyMuPDF的导入名是fitz def get_pdf_metadata(pdf_path): """ 使用PyMuPDF打开PDF并提取元数据。 """ try: doc = fitz.open(pdf_path) metadata = doc.metadata doc.close() # metadata 是一个字典，可能包含 'title', 'author', 'subject' 等键 title_from_metadata = metadata.get('title', '').strip() return title_from_metadata except Exception as e: print(f"读取PDF元数据时出错: {e}") return "" # 示例使用 pdf_path = "李大霄投资战略第三版.pdf" title = get_pdf_metadata(pdf_path) if title: print(f"从元数据获取的标题: {title}") else: print("未找到元数据标题。")

实操心得：

• PyMuPDF的.metadata属性返回的字典，其键都是小写。但并非所有PDF的元数据都完整，‘title’字段可能为空字符串、None，或者是“Untitled”、“Document”这类无意义的默认值。
• 因此，获取到标题后，必须进行有效性清洗。一个简单的启发式规则是：如果标题为空、长度小于2个字符、或属于已知的无效标题列表（如[‘untitled’， ‘document’， ‘无标题’]），则视为无效。

3.2 元数据标题的清洗与验证

仅仅获取到文本还不够，我们需要判断它是否是一个“像样”的标题。

def is_valid_title(title): """ 判断提取到的元数据标题是否有效。 """ if not title: return False title_lower = title.lower() # 定义常见的无效标题占位符 invalid_keywords = ['untitled', 'document', '无标题', '新文档', 'new document', ''] # 检查是否完全由数字、空格或标点组成（过于简单） if title_lower.strip() in invalid_keywords: return False # 可选：检查长度，太短的可能是无意义字符 if len(title) < 2: return False # 可选：检查是否包含大量乱码或非常见字符（简易版） # 这里可以引入更复杂的文本质量检查 return True def get_and_validate_metadata_title(pdf_path): raw_title = get_pdf_metadata(pdf_path) if is_valid_title(raw_title): return raw_title else: return None # 明确返回None表示元数据标题无效

这一步是准确性的基石。很多自动化脚本失败，就是因为盲目相信了元数据中的“Untitled”。通过添加清洗和验证逻辑，我们就能过滤掉这些噪音，为后续步骤提供更干净的数据。

4. 实操步骤二：基于版面分析的视觉标题提取

当元数据不可靠或缺失时，我们就需要“看”文档的第一页，用程序模拟人眼寻找标题的过程。这里pdfplumber库是我们的主力。

4.1 安装与基础页面分析

安装：pip install pdfplumber

import pdfplumber def extract_text_by_position(pdf_path, page_num=0): """ 使用pdfplumber提取指定页面的所有文本，并附带位置和字体信息。 """ titles_candidates = [] try: with pdfplumber.open(pdf_path) as pdf: if page_num >= len(pdf.pages): return titles_candidates first_page = pdf.pages[page_num] # 提取所有字符，附带详细信息 chars = first_page.chars # chars 是一个列表，每个元素是字典，包含 'text', 'x0', 'top', 'x1', 'bottom', 'fontname', 'size' 等 # 我们可以根据字体大小和位置进行聚类，找出可能是标题的文本块 except Exception as e: print(f"使用pdfplumber分析页面时出错: {e}") return titles_candidates

pdfplumber的.chars属性提供了极其精细的控制，但直接处理字符列表过于底层。更高效的方法是使用.extract_words()或.extract_text()，并结合.rects、.lines来分析版面结构。

4.2 实现智能标题定位算法

一个在实践中效果不错的简单算法是：寻找第一页中，字体尺寸明显大于正文、且位于页面上半部分（通常是顶部1/3区域）的文本块。

def find_visual_title(pdf_path, page_num=0): """ 通过分析字体大小和位置，定位第一页的视觉标题。 """ try: with pdfplumber.open(pdf_path) as pdf: if page_num >= len(pdf.pages): return None page = pdf.pages[page_num] # 提取所有单词及其属性 words = page.extract_words(extra_attrs=["size", "fontname", "top"]) if not words: return None # 计算字体大小的统计信息，找出“大号”字体 sizes = [w['size'] for w in words] if not sizes: return None median_size = sorted(sizes)[len(sizes) // 2] # 我们认为标题的字体至少是正文中位数的1.5倍 title_size_threshold = median_size * 1.5 # 筛选候选：字体大且位置靠上（例如在页面高度30%以内） page_height = page.height top_region_threshold = page_height * 0.3 candidate_words = [] for w in words: if w['size'] >= title_size_threshold and w['top'] <= top_region_threshold: candidate_words.append(w) if not candidate_words: # 如果没有找到明显的大字体，则退回选择第一页最顶部的文本 words_sorted_by_top = sorted(words, key=lambda x: x['top']) if words_sorted_by_top: # 取顶部前几个单词（可能是一行） top_words = words_sorted_by_top[:5] # 按x坐标排序，拼接成一行 top_words_sorted_by_x = sorted(top_words, key=lambda x: x['x0']) visual_title = ' '.join([w['text'] for w in top_words_sorted_by_x]) return visual_title.strip() else: return None # 将候选单词按位置聚类成行（简单的基于y坐标的聚类） candidate_words.sort(key=lambda x: x['top']) lines = [] current_line = [candidate_words[0]] line_height_threshold = candidate_words[0]['size'] * 0.5 # 行高容忍度 for w in candidate_words[1:]: if abs(w['top'] - current_line[-1]['top']) <= line_height_threshold: current_line.append(w) else: lines.append(current_line) current_line = [w] lines.append(current_line) # 通常标题是顶部第一行或前几行 if lines: # 取最上面的一行，按x坐标排序后拼接 top_line = sorted(lines[0], key=lambda x: x['x0']) visual_title = ' '.join([w['text'] for w in top_line]) return visual_title.strip() else: return None except Exception as e: print(f"定位视觉标题时出错: {e}") return None

注意事项：

• 这个算法是启发式的，对于排版规范的文档（如论文、报告）效果很好。但对于设计花哨、多栏排版或标题字体并不突出的文档，可能会失效。
• line_height_threshold（行高容忍度）是个经验参数，可能需要根据具体文档集微调。太大会把不同行的字合并，太小会把一行拆散。
• 有些文档第一页是空白页或封面图，pdfplumber可能提取不到文字。这时需要考虑翻到第二页，或者结合OCR。

5. 实操步骤三：处理扫描件与OCR集成

对于扫描版的PDF（即图片格式），上述文本提取方法全部失效。我们必须借助OCR技术。这里我们使用Tesseract，配合pdf2image将PDF页面转为图片。

5.1 环境准备与OCR识别

1. 安装Tesseract：从官方GitHub下载安装，并确保其可执行文件路径在系统环境变量中。
2. 安装Python库：pip install pytesseract pdf2image pillow

import pytesseract from pdf2image import convert_from_path import os def extract_title_via_ocr(pdf_path, page_num=0, dpi=200): """ 通过OCR识别扫描版PDF第一页的标题。 重点：只对页面顶部区域进行OCR，以提高速度和准确性。 """ try: # 将指定页面转换为图片 images = convert_from_path(pdf_path, first_page=page_num+1, last_page=page_num+1, dpi=dpi) if not images: return None img = images[0] width, height = img.size # 定义标题区域：通常为页面顶部 20%-30% 的区域 title_region_height = int(height * 0.25) # 裁剪图片，只保留顶部区域 title_region = img.crop((0, 0, width, title_region_height)) # 配置Tesseract参数：只识别大写字母、单行、假设文字较大 custom_config = r'--oem 3 --psm 6 -c tessedit_char_whitelist="ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789-:.,;()[] "' # ps m 6 表示假设为统一的文本块，对标题区域比较合适 ocr_text = pytesseract.image_to_string(title_region, config=custom_config, lang='eng+chi_sim') # 中英文混合 # 对OCR结果进行清洗：去除多余空行，取第一行或前几行作为标题候选 lines = [line.strip() for line in ocr_text.split('\n') if line.strip()] if lines: # 简单策略：取OCR结果的第一行非空文本 # 更复杂的策略可以分析字体大小（需要Tesseract输出hOCR格式） potential_title = lines[0] # 如果第一行非常短，可能是页眉页码等，可以尝试合并前几行 if len(potential_title) < 5 and len(lines) > 1: potential_title = ' '.join(lines[:2]) return potential_title else: return None except Exception as e: print(f"OCR识别标题时出错: {e}") return None

实操心得：

• 区域裁剪是关键：对整个页面进行OCR既慢又不准。只对可能包含标题的顶部区域进行识别，能显著提升准确率和速度。
• 语言包：务必根据文档语言安装对应的Tesseract语言包（如chi_sim简体中文）。lang参数可以指定多种语言，如‘eng+chi_sim’。
• PSM参数：Tesseract的页面分割模式（Page Segmentation Mode）对结果影响巨大。--psm 6假设文本为统一的单栏块，适合标题区域。如果效果不好，可以尝试--psm 3（全自动，但无定向）或--psm 7（将图像视为单行文本）。
• OCR不是万能的：对于字体奇特、背景复杂、倾斜严重的扫描件，OCR识别率会下降。这是此类方案的固有瓶颈。

6. 实操步骤四：融合策略与LLM的智能仲裁

现在，我们有了从多个渠道获取标题的方法：元数据、视觉分析、OCR。它们各自的结果可能不同，也可能都失败。我们需要一个融合与仲裁策略来输出最终的最佳标题。

6.1 设计多源融合决策流

一个典型的决策流程可以这样设计：

def get_pdf_title_robust(pdf_path): """ 鲁棒性最强的PDF标题获取函数，融合多源信息。 """ final_title = None source = "Unknown" # 1. 优先尝试元数据 meta_title = get_and_validate_metadata_title(pdf_path) if meta_title: final_title = meta_title source = "Metadata" return final_title, source # 元数据有效则直接返回，信任度最高 # 2. 尝试视觉分析（针对数字版PDF） visual_title = find_visual_title(pdf_path) if visual_title and is_valid_title(visual_title): # 可以对视觉标题做进一步清洗，比如去除页眉、页码等 cleaned_visual = clean_extracted_title(visual_title) if cleaned_visual: final_title = cleaned_visual source = "Visual Analysis" # 这里不直接返回，可以继续用OCR交叉验证（如果怀疑是扫描件） # 3. 如果视觉分析结果不佳或为空，尝试OCR（应对扫描件） # 一个简单的启发：如果pdfplumber提取到的字符数极少（比如<10），可能是扫描件 try: with pdfplumber.open(pdf_path) as pdf: if pdf.pages: text_len = len(pdf.pages[0].extract_text() or "") except: text_len = 0 if text_len < 20: # 假设第一页可提取文本少于20个字符，可能是扫描件 ocr_title = extract_title_via_ocr(pdf_path) if ocr_title and is_valid_title(ocr_title): # 如果OCR结果和视觉分析结果相似，可以增强置信度 # 这里简单处理，优先使用OCR结果（因为视觉分析可能无结果） final_title = ocr_title source = "OCR" elif not final_title: # 如果之前视觉分析也没结果 final_title = ocr_title # 即使OCR结果不完美，也可能比没有强 source = "OCR (Fallback)" # 4. 终极回退：使用文件名（不含扩展名） if not final_title or not is_valid_title(final_title): import os filename = os.path.splitext(os.path.basename(pdf_path))[0] # 简单清洗文件名，去除常见下载后缀 filename = re.sub(r'[\-_]*(downloaded|copy|final|version|\d+)$', '', filename, flags=re.IGNORECASE).strip() if filename and is_valid_title(filename): final_title = filename source = "Filename" else: final_title = "Unknown Title" source = "Default" return final_title, source

这个流程体现了优先级：元数据 > 视觉分析 ≈ OCR > 文件名。同时加入了简单的扫描件探测逻辑。

6.2 引入LLM进行智能修正与推断

当传统方法提取的标题质量不高（比如提取到了“第1章 引言”而不是真正的文档标题），或者多个来源结果冲突时，大语言模型可以作为一个强大的“智能仲裁器”。

场景：我们通过视觉分析，从第一页提取到了一段文本：“2023年年度报告 财务摘要 公司董事会”。这显然包含了标题，但也混入了其他信息。

我们可以将第一页的完整文本（或前几段）发送给LLM，让它根据上下文推断出最合适的文档主标题。

# 假设已配置好OpenAI API或其他LLM服务 import openai # 或使用LangChain def refine_title_with_llm(raw_extracted_text, candidate_titles): """ 使用LLM从提取的文本和候选标题中，判断或生成最佳标题。 """ prompt = f""" 你是一个文档处理专家。请分析以下从PDF文档第一页提取的文本内容，并判断该文档的正式标题是什么。 如果提供的“候选标题”中有一个是合适的，请直接输出那个最合适的标题。 如果都不合适，或者没有提供候选标题，请根据文本内容自己推断一个简洁、准确的文档标题。 **提取的文本内容（开头部分）：** {raw_extracted_text[:1500]} # 限制长度，控制token **目前已提取的候选标题（可能不准确）：** {', '.join(candidate_titles) if candidate_titles else '无'} 请只输出你认为最准确的文档标题，不要有任何额外的解释、引号或标记。 """ try: response = openai.ChatCompletion.create( model="gpt-3.5-turbo", messages=[{"role": "user", "content": prompt}], temperature=0.1, # 低温度，确保输出稳定 max_tokens=100 ) llm_title = response.choices[0].message.content.strip() # 清理LLM输出可能带的引号 llm_title = llm_title.strip('\"\'“”') return llm_title if is_valid_title(llm_title) else None except Exception as e: print(f"调用LLM修正标题时出错: {e}") return None

使用策略：LLM API调用有成本和延迟，不应作为默认第一步。最佳实践是将其用作后处理步骤。例如，在get_pdf_title_robust函数返回一个初步标题后，如果对该标题的置信度不高（例如，来源是“Visual Analysis”且标题包含“Chapter”、“Abstract”等词），则可以调用refine_title_with_llm，传入第一页更多文本和初步标题，让LLM做最终裁定。

重要提示：使用LLM时务必注意数据隐私。如果处理的PDF包含敏感信息，不应将其发送到外部API。可以考虑使用本地部署的开源LLM（如通过ollama、llama.cpp等）。

7. 常见问题、优化策略与避坑指南

在实际批量处理成千上万个PDF的过程中，你会遇到各种意想不到的情况。下面是我踩过坑后总结的一些经验和解决方案。

7.1 典型问题与排查表

7.2 性能优化与高级技巧

• 并行处理：如果需要处理数万个PDF，单线程太慢。可以使用concurrent.futures.ThreadPoolExecutor进行多线程I/O密集型操作（如元数据读取），或用ProcessPoolExecutor进行多进程CPU密集型操作（如OCR）。注意，OCR引擎通常不是线程安全的，每个进程应初始化自己的OCR实例。
• 缓存机制：对于已经处理过的PDF，可以将提取结果（标题、来源、哈希值）存入一个轻量级数据库（如SQLite）或JSON文件中。下次处理时，先计算文件哈希，如果哈希未变且缓存存在，则直接读取结果，避免重复计算。
• 标题后处理：提取到的原始标题往往需要清洗：
  • 去除尾部的文件扩展名（如“.pdf”被误读进来）。
  • 合并因换行被拆散的单词。
  • 统一空格和标点格式。
  • 识别并去除常见的副标题前缀（如“摘要：”、“报告名称：”）。

  def clean_extracted_title(title): import re if not title: return title # 去除常见的引导词 patterns_to_remove = [ r'^标题[：:\s]+', r'^题名[：:\s]+', r'^名称[：:\s]+', r'^报告名称[：:\s]+', ] for pattern in patterns_to_remove: title = re.sub(pattern, '', title, flags=re.IGNORECASE) # 合并连续的空白字符 title = re.sub(r'\s+', ' ', title).strip() # 去除首尾的特定标点 title = title.strip(' :;-–—,.') return title

• 处理加密PDF：如果PDF有密码，需要在打开时提供。PyMuPDF和pdfplumber都支持open函数传入password参数。对于批量处理，可以准备一个密码字典或列表进行尝试。

7.3 一个完整的、生产可用的示例函数

结合以上所有要点，这里给出一个更健壮、可配置的完整函数示例：

import fitz import pdfplumber import os import re from typing import Tuple, Optional class PDFTitleExtractor: def __init__(self, ocr_enabled=False, tesseract_path=None, llm_enabled=False): self.ocr_enabled = ocr_enabled self.tesseract_path = tesseract_path if tesseract_path and ocr_enabled: import pytesseract pytesseract.pytesseract.tesseract_cmd = tesseract_path self.llm_enabled = llm_enabled self._invalid_titles = {'untitled', 'document', '无标题', '新文档', ''} def _is_valid_title(self, title: str) -> bool: """增强的标题有效性检查""" if not title or not isinstance(title, str): return False t_lower = title.lower().strip() if t_lower in self._invalid_titles: return False if len(t_lower) < 2: return False # 检查是否大部分为标点或数字（不太可能是标题） if re.fullmatch(r'[\s\W\d_]+', t_lower): return False return True def extract(self, pdf_path: str) -> Tuple[str, str]: """主提取函数，返回（标题，来源）""" # 0. 基础检查 if not os.path.exists(pdf_path): return "File Not Found", "Error" # 1. 元数据 meta_title = self._get_metadata_title(pdf_path) if meta_title and self._is_valid_title(meta_title): return meta_title, "Metadata" # 2. 视觉分析 visual_title = self._get_visual_title(pdf_path) # 对视觉标题进行强力清洗 cleaned_visual = self._clean_title(visual_title) if visual_title else None if cleaned_visual and self._is_valid_title(cleaned_visual): # 检查是否抓到了页眉页脚 if not self._is_header_footer(cleaned_visual): return cleaned_visual, "Visual Analysis" # 3. 判断是否需要OCR：检查第一页文本量 is_likely_scanned = self._is_likely_scanned(pdf_path) ocr_title = None if (is_likely_scanned or not cleaned_visual) and self.ocr_enabled: ocr_title = self._get_ocr_title(pdf_path) cleaned_ocr = self._clean_title(ocr_title) if ocr_title else None if cleaned_ocr and self._is_valid_title(cleaned_ocr): return cleaned_ocr, "OCR" # 4. 回退到文件名 filename_title = self._get_title_from_filename(pdf_path) if filename_title and self._is_valid_title(filename_title): return filename_title, "Filename" # 5. 如果以上都有结果但质量存疑，且启用了LLM，可以尝试仲裁 candidates = [t for t in [meta_title, cleaned_visual, ocr_title, filename_title] if t] if self.llm_enabled and candidates: first_page_text = self._get_first_page_text(pdf_path, max_chars=2000) if first_page_text: llm_title = self._refine_with_llm(first_page_text, candidates) if llm_title: return llm_title, "LLM Refined" # 6. 最终回退 return os.path.splitext(os.path.basename(pdf_path))[0] or "Unknown Title", "Fallback" # 以下为内部辅助方法的具体实现（略，可参考前文代码填充） def _get_metadata_title(self, pdf_path): ... def _get_visual_title(self, pdf_path): ... def _is_likely_scanned(self, pdf_path): ... def _get_ocr_title(self, pdf_path): ... def _get_title_from_filename(self, pdf_path): ... def _clean_title(self, title): ... def _is_header_footer(self, text): ... def _get_first_page_text(self, pdf_path, max_chars): ... def _refine_with_llm(self, context, candidates): ... # 使用示例 extractor = PDFTitleExtractor(ocr_enabled=True, llm_enabled=False) title, source = extractor.extract("你的文档.pdf") print(f"最终标题: {title} (来源: {source})")

这个类将功能模块化，便于测试和扩展。你可以根据实际需求开关OCR和LLM功能，并调整内部的判断阈值和清洗规则。