pdf-engine-selection

PDF 引擎选择决策图

本文档可视化 parse_pdf_to_markdown Pipeline 在 Adaptive Engine Selection （PR #163, PR2）下，各 Stage 的运行时引擎路由策略。决策结果会写入 StageResult.metadata.selector_decision，便于审计与调优。

TL;DR：quick_scan 产出的 DocumentCharacteristics（is_scanned / has_tables / has_formulas / page_count 等）从「死字段」变成「路由信号」。 对没必要跑的 Stage 短路，对扫描版 PDF 用 marker / docling，对小文档用 PyMuPDF 快路径，省下 docling 10s 冷启动。

决策入口

flowchart TD
    A([Stage 开始]) --> B{selector 策略}
    B -- identity --> Y[YAML 静态顺序<br/>不重排不跳过]
    B -- profile_aware --> C{characteristics<br/>是否就绪?}
    C -- 否 --> D[回退 YAML 默认<br/>reason=missing_characteristics]
    C -- 是 --> E{Stage 是否<br/>「特征驱动型」?}
    E -- 是 --> F{对应特征<br/>= False?}
    F -- 是 --> G[短路跳过<br/>返回空 output<br/>reason=no_has_*]
    F -- 否 --> H[继续路由]
    E -- 否 --> H
    H --> I{Stage 名称}
    I -- text_extraction --> J[扫描/小文档/默认 子规则]
    I -- layout_analysis --> K[简单布局快路径]
    I -- 其他 --> Y

text_extraction 子规则

flowchart TD
    A([text_extraction]) --> B{is_scanned?}
    B -- 是 --> C["重排: marker → docling → opendataloader<br/>→ pymupdf → pypdf"]
    B -- 否 --> D{page_count < 5?}
    D -- 是 --> E["快路径: 仅 pymupdf<br/>跳过 docling 10s 冷启动"]
    D -- 否 --> F[保持 YAML 顺序]
    C --> G[reason=scanned]
    E --> H["reason=small_doc_{N}p"]
    F --> I[reason=default]

layout_analysis 子规则

flowchart TD
    A([layout_analysis]) --> B{has_complex_layout<br/>= False?}
    B -- 否 --> Z[保持 YAML 顺序]
    B -- 是 --> C{is_scanned = False?}
    C -- 否 --> Z
    C -- 是 --> D{page_count < 5?}
    D -- 否 --> Z
    D -- 是 --> E["快路径: 仅 pymupdf<br/>reason=simple_layout_{N}p"]

特征驱动型 Stage 跳过表

Stage	关键特征字段	跳过条件	短路输出
table_extraction	has_tables	False	TableExtractionOutput(tables=[], total_count=0)
formula_extraction	has_formulas	False	FormulaExtractionOutput(formulas=[], ...)
code_detection	has_code_blocks	False	CodeDetectionOutput(code_blocks=[], ...)
image_extraction	has_images	False	ImageExtractionOutput(images=[], total_count=0)