从事PDF文档解析的从业者想必都深有体会：文件明明就在眼前，一提取就出现乱码，特别是那些字体缺失、编码异常的历史文件，简直如同加密一般。Longcat AI在这一领域开辟了一条更巧妙的路径——它不执着于OCR技术，而是直接从PDF自身的文本层入手，绕过那些容易产生错误的失真环节，构建更稳健的语义映射。根据实测数据，合规PDF文件的提取准确率可达95%以上，对于LaTeX、Typst或现代Word导出的文档，更是几乎实现零损耗。
这个问题的关键不在于“修复乱码”，而在于从一开始就避免走入歧途。传统方法采用扫描→OCR流程，一旦遇到嵌入字体缺失、CID编码未映射、横向文字或非标准字库时，输出结果就会立即崩溃。Longcat AI默认采用“文本层直读+结构还原”策略：优先解析PDF内嵌的Text Operator指令与Unicode映射表，只要其中包含有效的文本对象（/ToUnicode CMap、/ActualText标签等），就直接提取原始语义字符串，完全不依赖图像识别模块。
- 针对Acrobat生成的合规PDF（具备完整字体描述和Unicode映射），提取准确率超过95%
- 对于LaTeX导出PDF、Typst或现代Word导出的文档，文本层完整，OCR可完全省略
- 若检测到文本层为空或已损坏，系统自动降级为“混合模式”：仅对插图或表格区域启用轻量级OCR，其余部分保持原文本流
动态字体解码与上下文纠错
面对那些使用了自定义子集字体（如.afm/.cff字体子集）且未附带ToUnicode表的PDF，该如何处理？Longcat AI会启用运行时字体逆向解析引擎：依据Glyph ID、字符形变特征，再结合上下文词频模型，推断最可能的Unicode码位。举例来说，“”这类符号经常被误提取为“�”或“â–º”，系统会分析其前后是否存在项目符号的规律（例如“1. … 2. …”），缩进是否一致，然后对照常用符号词典，将其映射为U+2022（•）或U+27A4（➤）。
- 对中日韩汉字提供CID-to-Unicode多映射回溯（兼容Adobe-Japan1-6、GB-EUC、UTF-16BE等主流编码场景）
- 数学公式区域配备专用符号识别器，能够区分斜体变量（x）、希腊字母（α/β）、运算符（∑/∫），避免统一变成乱码占位符
- 每段提取后采用n-gram语言模型进行评分，低置信度片段会触发局部重新解析，而非直接丢弃
结构感知的段落重建
PDF天生缺乏段落概念，原始文本流常常因换行符缺失、空格压缩、双栏布局等问题导致语义割裂。Longcat AI在文本提取之后增加了一道“逻辑段落重建”工序：利用字体大小/行距突变、缩进变化、标点密度，再结合视觉坐标聚类（PDF页面坐标系下文本块的空间关系），重新组织成符合阅读习惯的段落，同时保留标题层级、列表项、脚注锚点等结构信息。
- 识别出“连续小写字母+句号+空格+大写字母”的模式，自动补全被截断的句子边界
- 处理双栏PDF时，先按Y坐标分组，再按X坐标排序，避免左右栏文字交错混杂
- 脚注与正文分离处理，通过“¹ / [1] / 上标数字”等线索定位并关联引用位置
用户可控的修复反馈闭环
系统还提供一个“提取预览+差异标注”界面——左侧展示原始PDF片段，右侧呈现解析结果，乱码嫌疑字符以浅红底色高亮显示，并给出替换建议（例如“疑似‘函数’→ 当前提取为‘函数’，是否替换？”）。用户点击确认后，该字形映射即存入个人字体缓存，下次遇到同类PDF时自动复用。
- 支持上传PDF的字体文件（.ttf/.otf）用于离线映射校准
- 企业版开放API接口，允许对接内部术语库，对专业缩写（如“LSTM”、“ReLU”）强制保留原始写法，不进行Unicode归一化
- 所有修正操作均留痕，可导出清洗日志供合规审计