结论先说：从论文中提取数据和图片，真正值得做成 Skill 的不是某一段调用代码，而是“识别对象—选择工具—保存来源位置—交叉验证—输出审计记录”这条稳定流程。

如果只追求把 PDF 转成文本，几分钟就能得到结果；如果要把结果用于综述、数据库、模型训练或实验复核，就必须回答更多问题：这个数值来自正文、表格还是曲线？单位有没有被拆行？图像是完整图版还是 PDF 内部的一块位图？坐标轴是线性还是对数？作者后来是否更新过论文？

科研数据提取的合格标准，不是“文件导出来了”，而是每个重要字段都能回到原论文中的页码、章节、表格、图号或坐标区。。

图 1｜先识别论文对象，再路由工具、提取、验证并保存证据位置

一、先判断PDF里到底装了什么

PDF 主要描述页面如何显示，并不天然表达“这是一个表格”“这是图 3 的曲线数据”。同一篇论文里可能同时存在可复制文本、扫描页、矢量线条、嵌入位图、公式、脚注和多栏排版。工具选错，结果看起来完整，语义却可能已经错位。

第一步应做格式侦察，而不是直接批量抽取。至少检查四类对象：

PyMuPDF 官方文档说明了文本、嵌入图片和 OCR 文本页的基础入口；GROBID则面向技术和科学论文，把 PDF 重构为结构化 TEI。它们解决的层次不同：前者擅长页面对象与坐标，后者擅长标题、作者、章节、参考文献等论文结构。

二、一个可复用Skill至少要有五层

把“提取论文”写成一句提示词，系统很难稳定处理不同来源。可复用 Skill 应明确输入、路由、输出和失败条件。

Skill 的核心不是把所有工具都装上，而是用最简单的可行方法起步，只有遇到结构复杂、扫描质量差或数值重要时才升级。正文筛选可先用快速文本提取；准备写进数据库的表格，再做布局级解析和逐行核对；将用于模型训练的关键数据，则应增加第二种提取方法与抽样复核。

图 2｜四类对象、两次提取与一条可追溯记录构成最小 Skill 契约

一个实用的输出单元可以包含：实体、属性、数值、单位、页码、章节、表号或图号、提取方法、工具版本、原始片段、清洗规则、复核状态。这里的 HIGH、MEDIUM、REVIEW 是项目内部的质量标签，不应伪装成统计概率。

三、表格数据要把“形状正确”和“含义正确”分开

表格提取最常见的误区，是看到行列对齐就认为成功。实际上，跨页表头、合并单元格、脚注符号、负号、科学计数法和单位行都可能让数值悄悄错列。

Camelot 官方快速指南把有明确边框的表格交给 Lattice，把依赖文字间距的表格交给 Stream，也提供 Network、Hybrid 和自动探测。PyMuPDF 的页面表格接口适合与坐标和页面渲染结合，Docling 则适合需要布局感知与多种文档对象统一表示的流程。

稳妥做法是分三步：

1. 先导出原始表格，保存页码、边界框和工具参数，不在这一层修改数据。

2. 再做结构清洗，明确表头层级、合并单元格、缺失值和脚注归属。

3. 最后做语义核验，检查单位、量纲、样本数、正负号和正文对表格的解释是否一致。

对于关键表，至少抽查首行、末行、极值和随机行；如果两个工具对同一单元格不一致，优先回到页面图像，而不是让语言模型投票决定。

四、提取图片不等于提取完整图版

PyMuPDF 可以列出并导出 PDF 中的嵌入图片，但论文中的一张“图”未必对应一个嵌入图片对象。坐标轴、标注和曲线可能是矢量路径与文字，显微照片只是其中一个位图。此时直接按 XREF 导出，可能只得到没有图例的底图。

因此要区分两种目标：

• 需要原始位图时，导出嵌入图片，并记录它所在页面和对象编号。

• 需要读者看到的完整图版时，根据图注或布局定位图区域，把该区域按足够分辨率重新渲染。

对于只有曲线图、没有原始数据的论文，WebPlotDigitizer 官方流程是加载图片或 PDF、选择坐标类型、标定坐标轴、手动或自动提取数据，再导出 CSV。二维 XY 图应分别选取两个已知的 X 轴点和两个 Y 轴点，标定点尽量拉开；线性、对数和日期轴必须设置正确。

曲线数字化得到的是像素到数据坐标的近似映射。文章线宽、压缩、重叠曲线和人工点击都会引入误差，所以结果应带上“来源图号、图像分辨率、标定点、坐标类型、提取方式和估计误差”，不能冒充作者原始数据。

五、扫描论文先补文本层，再谈结构化

扫描 PDF 没有可靠文本层时，直接运行表格或章节解析往往只会得到空结果。OCRmyPDF 官方文档说明它会给扫描 PDF 添加可搜索的 OCR 文本层；处理完成后，仍应回到页面图像检查语言、旋转、公式、上下标和分栏顺序。

OCR 最适合作为“让后续工具有文本可读”的前置步骤，而不是最终真值。公式、希腊字母、化学式和带单位数值应进入高风险字段清单。低分辨率扫描、阴影、倾斜和旧字体都会显著降低可靠性。

六、双方法验证比“再问一次模型”更重要

高价值字段建议采用主方法加副方法：例如 GROBID 解析论文结构，同时用 PyMuPDF 保留页面坐标；Camelot 导出表格，同时用页面渲染抽查；WebPlotDigitizer 导出曲线，同时用图中已标注点或正文数值做锚点检查。

图 3｜可复核流程保留第二方法、源位置、异常和人工确认

推荐把每个字段分成三种状态：

• HIGH：来源位置明确，至少两种检查一致，单位和范围合理。

• MEDIUM：来源明确，但只有单一方法或存在轻微格式修正。

• REVIEW：方法不一致、OCR 可疑、图表标定不稳或数值超出合理范围。

注意，这套标签描述的是提取流程的证据强度，不代表论文结论可靠，更不代表科学真实性已经得到独立复现。

七、最小可复现数据包应该保存什么

最终交付不要只有一个清洗后的 CSV。至少保留六类文件：原始论文或其合法引用位置、文件哈希、原始提取结果、清洗后数据、字段到源位置的映射、审计报告。工具版本、参数和处理日期也应写入元数据。

最后还有一个常被忽略的边界：技术上能导出，不等于可以无条件再分发。论文正文与图片可能受版权或许可条件约束；面向内部研究的数据抽取、引用和对外再发布应分别检查来源许可，并保留必要的图注与归属信息。

完整的一手来源链接、核验事实与风险边界见文末“来源与核验”附录。

来源与核验

以下记录一手来源、关键数字、本文判断与不可外推的边界；核验日期以原始记录为准。

一手来源

1. PyMuPDF 官方文档：The Basics

• 官方展示了页面文本提取、嵌入图片枚举与导出，以及通过 OCR 文本页处理图像型文字的入口。

2. GROBID 官方文档：How GROBID works

• GROBID 面向技术和科学出版物，把原始 PDF 解析并重构为结构化 TEI XML。

3. GROBID 官方文档：Using the REST API

• 完整文档处理可输出 TEI；官方文档同时说明了包含章节、图表和参考文献的结构化表示。

4. Docling 官方文档：Information extraction

• Docling 提供从非结构化 PDF 或图像文档提取结构化信息的能力。

5. Camelot 官方文档：Quickstart

• Lattice 适合有明确线框的表格；Stream、Network、Hybrid 和自动探测适合其他布局条件。

6. OCRmyPDF 官方文档：OCRmyPDF documentation

• OCRmyPDF 为扫描 PDF 添加 OCR 文本层，使其可搜索并可进入后续文本流程。

7. WebPlotDigitizer 官方文档：Digitize Charts

• 标准流程包含加载图像或 PDF、选择坐标类型、标定轴、提取数据点和导出 CSV。

8. WebPlotDigitizer 官方仓库：automeris-io/WebPlotDigitizer

• 官方将其定位为从数据可视化图像中提取数值数据的计算机视觉辅助工具。

核验事实

• PDF 页面可同时包含文本、矢量绘图和嵌入位图；导出嵌入图片不必然得到读者看到的完整图版。

• GROBID 的目标是科学文档结构化，不是对论文中的每个数值做科学真实性验证。

• Camelot 提供多种表格解析方法，选择依据包括网格线和文字布局。

• WebPlotDigitizer 依赖坐标轴标定把像素位置映射为数据值，输出精度受图像和标定影响。

事实与判断的边界

• 事实：上述工具分别覆盖页面对象、论文结构、表格、OCR 和曲线数字化。

• 判断：生产级 Skill 应按对象路由工具，并保留源位置和第二方法验证；这是本文的方法建议，不是任一工具官方承诺。

• 事实：OCR 与图表数字化都可能引入误差。

• 判断：将结果分为 HIGH、MEDIUM、REVIEW 有助于审核，但这些标签不是统计置信概率。

风险边界

• 复杂合并单元格、跨页表格、公式和上下标仍可能需要人工修正。

• OCR 质量依赖扫描分辨率、语言包、版面和字体。

• 曲线数字化是近似恢复，不能替代作者原始数据。

• 语言模型可能补全不存在的字段，任何关键数值都必须回到源页面验证。

• 论文正文和图片的再分发受版权、许可和引用规范约束。

版权声明