pdf-analysis

自动区分文本/扫描 PDF，提取文本、表格、图表并做单位感知数值计算。

先自动判断 PDF 是可选文本还是扫描件，再用合适的解析器提取文字、表格、图表和 caption，并能做带单位的数值计算。适合批量多页文档处理、把表格/图中数据抽出来做后续统计或计算时用。最大特点是先选对解析方法避免空结果，并支持单位感知的数值处理。

# PDF Analysis

## Step 0 — Detect PDF type (text vs scanned)

**Critical first step**: determine whether the PDF has extractable text or is a scanned image.
Never skip this — using the wrong parser wastes time and produces empty results.

```python
import fitz  # PyMuPDF

def detect_pdf_type(pdf_path, sample_pages=3):
    """
    Returns 'text' if PDF has extractable text, 'scanned' if image-based.
    Checks first N pages (or all if fewer).
    """
    doc = fitz.open(pdf_path)
    total_chars = 0
    pages_checked = min(sample_pages, len(doc))

    for i in range(pages_checked):
        page = doc[i]
        text = page.get_text("text")
        total_chars += len(text.strip())

    doc.cl