支持的输入格式

格式	扩展名	解析器	备注
PDF（文本型）	.pdf	PyMuPDF	优先
PDF（图像型）	.pdf	EasyOCR	自动回退
EPUB	.epub	ebooklib
Word	.docx	python-docx
PowerPoint	.pptx	python-pptx
Excel	.xlsx	openpyxl
HTML	.html .htm	beautifulsoup4
Markdown	.md .markdown	内置
纯文本	.txt	内置	自动检测编码
图片	.png .jpg .jpeg .bmp .tiff	EasyOCR

编码支持

自动检测以下编码：

• UTF-8 / UTF-8 with BOM
• GBK / GB2312 / GB18030
• Big5
• Latin-1 / ISO-8859-1
• Windows-1252
• ASCII

依赖：chardet + charset_normalizer。

OCR 行为

当 PDF 文本提取后字符数 < 阈值（默认 100 / 页）时，自动判定为图像型 PDF，调用 EasyOCR（首次使用会下载模型）。

如果想强制使用 OCR：

from kg_core.converters import ocr_pdf
text = ocr_pdf("image_only.pdf", lang="ch_sim+en")

参考文献识别

自动检测参考文献小节起点：

• 参考文献 / References / Bibliography

将编号条目合并为 Markdown 列表：

# 输入
参考文献
[1] Singhal A. Modern IR. 2010.
[2] Robertson S. BM25. 2009.

# 输出
参考文献

- [1] Singhal A. Modern IR. 2010.
- [2] Robertson S. BM25. 2009.