LlamaIndex 发布 PDF 数据提取教程,强调写代码前先判断文件是原生数字、扫描还是混合类型,并给出用 pypdf 分类文本层的示例。教程对比 pypdf、pdfplumber、PyMuPDF 和 Camelot 的许可、速度与表格能力,讲解双栏交错、缺 ToUnicode 映射和连字等常见坑,指出 Tesseract OCR 会丢失表格结构。