使用场景 #

• 扫描版与电子版PDF的文本提取
• 处理发票、表单、保险文档及报告类文件
• 保留表格结构与原文档布局
• 支持低质量扫描件的OCR识别
• 精准检测文档中的键值对与特定字段

当前工作流痛点 #

当前采用的流程为：

1. 用PyMuPDF或pdfplumber提取PDF原始文本
2. 通过正则表达式识别并提取目标字段

但该方案存在明显局限：每新增一种文档格式，都需要编写独立的正则模式与自定义提取逻辑，维护成本极高，难以在多格式的生产系统中扩展。因此计划转向基于AI/LLM的文档理解模型，减少对手动正则规则的依赖。

目前正在探索PyMuPDF、pdfplumber、Tesseract OCR等方案，希望了解生产级PDF提取系统中具备最佳真实准确率与性能的开源模型或组合，具体问题如下：

1. 当前哪些开源模型的PDF提取准确率最高？
2. 有无同时处理扫描版与电子版PDF的推荐工作流？
3. 哪些模型最适合表格提取与文档理解？
4. 是否有适合部署在本地服务器的轻量模型？
5. 是否有成功用AI模型替换重度正则提取系统的案例？
6. 构建稳健的AI驱动PDF提取工作流的当前最佳实践是什么？

技术栈偏好 #

优先考虑Python生态、Hugging Face模型，以及OCR + LLM/文档理解的组合方案，欢迎提供相关建议、基准测试结果、架构推荐或生产实践经验。

内容的提问来源于stack exchange，提问作者Pugazhendhi M