pypdf
概述
pypdf 是 Python 的 PDF 处理库，提供基本的 PDF 读取、写入和文本提取功能，但对复杂布局的处理能力有限。
关键内容
功能与局限
- 功能：基本的 PDF 读取、写入、合并、文本提取
- 局限：
- 多栏布局下提取的文本乱序
- 无法处理扫描件
- 不支持公式和表格的结构化还原
- 阅读顺序无法重建
与 MinerU 的对比
pypdf/pdfminer 代表传统 PDF 文本提取方案：速度快但质量有限。MinerU 通过七层流水线解决了这些工具无法处理的核心问题。
来源
- raw/assets/MinerU/minerU_01_architecture.md — MinerU 深度解析系列 · 第一篇