方法：杂志 PDF 处理流水线（抽取→OCR→clean→汇总）

• 解决什么问题：把 PDF（含扫描件）变成可检索文本与主题汇总。
• 数据目录：/Volumes/T7/酿造杂志原件/

流程

1. 原件归档：PDF/zip 放 原件/
2. 文本抽取：PyMuPDF 抽 *.txt
3. OCR（扫描件）：ocrmypdf 生成 *.ocr.pdf（必要时 *.ocr.safe.pdf）
4. OCR文本：生成 *.ocr.txt
5. 启发式清洗：关键词+低文本/大图规则，产 *.clean.txt
6. 主题汇总：从 clean 文本抽取要点，写入 汇总/*.md

工具依赖（已验证）

• PyMuPDF
• ocrmypdf
• tesseract
• ghostscript
• unpaper

失败模式与排查

• OCR 输出无效 PDF：改保守参数走 .ocr.safe 路线
• OCR 质量差：提高清晰度/清理参数，必要时人工抽查关键页
• 清洗误杀：保留 SKIPPED_PAGES_AD_HEURISTIC 供回看

相关术语

• 低DO