947 页实测:pdf-inspector 分类快至 0.65 秒,但提取慢如蜗牛
Ubunta · x · 2026-09-04
作者用 pdf-inspector 处理 947 页临床申报文档，与自建 pdfplumber/pdfminer + PyMuPDF 流水线对比：
- classifypdf 表现亮眼：0.65 秒完成全部 947 页分类，正确识别为文本型 PDF，适合 OCR 路由与文档检查场景。
- Markdown 提取极慢：仅两页耗时约 275 秒，推算 947 页需约 36 小时。
- 丢失单元格级溯源：Markdown 不保留页码/表/行/列与边界框坐标，还会把相邻单元格合并——在受监管文档中无法支撑引用定位。
- 现流水线优化成果：完整提取从约 55 分钟降到 6.2 分钟，同时保留单元格几何与行上下文。
结论:pdf-inspector 适合 PDF 分类、OCR 路由,但证据级表格提取仍需现有方案。
所属事件:pdf-inspector 实测更正：947 页仅 6.9 分钟，但数字提取缺失多(2 条相关)→
「编程与Agent」频道最新
- Claude Code v2.1.251:effort 推理力度现可按模型分别保存 — EricBuess · 2026-09-05
- 子代理用户研究实操:记录卡点、Docker 装不上的位置 — lucasmeijer · 2026-09-05
- 开发者用子代理实测自家编程 Agent 的安装流程 — lucasmeijer · 2026-09-05
- PyTorch 核心开发者发现:ChatGPT 安卓端不显示 Codex 入口 — ezyang · 2026-09-05
- 写操作 MCP server 踩坑复盘：9 条生产环境实战经验 — Ecstatic-Hurry-635 · 2026-09-05
- 无源码逆向 Super Mario Kart:反编译可验证,AI 正擅长此事 — gandamu_ml · 2026-09-05